KR102461384B1 - Reduced false positive identification for spectroscopic quantification - Google Patents
Reduced false positive identification for spectroscopic quantification Download PDFInfo
- Publication number
- KR102461384B1 KR102461384B1 KR1020190009907A KR20190009907A KR102461384B1 KR 102461384 B1 KR102461384 B1 KR 102461384B1 KR 1020190009907 A KR1020190009907 A KR 1020190009907A KR 20190009907 A KR20190009907 A KR 20190009907A KR 102461384 B1 KR102461384 B1 KR 102461384B1
- Authority
- KR
- South Korea
- Prior art keywords
- quantification model
- unknown sample
- quantification
- model
- training set
- Prior art date
Links
- 238000000363 spectroscopic quantification Methods 0.000 title description 6
- 238000011002 quantification Methods 0.000 claims abstract description 241
- 238000005259 measurement Methods 0.000 claims abstract description 146
- 238000012549 training Methods 0.000 claims abstract description 90
- 238000000034 method Methods 0.000 claims description 87
- 239000000126 substance Substances 0.000 claims description 56
- 230000003595 spectral effect Effects 0.000 claims description 53
- 238000010200 validation analysis Methods 0.000 claims description 30
- 230000015654 memory Effects 0.000 claims description 26
- 230000006870 function Effects 0.000 claims description 25
- 238000012706 support-vector machine Methods 0.000 claims description 22
- 238000003860 storage Methods 0.000 claims description 20
- 238000013145 classification model Methods 0.000 claims description 12
- 239000000463 material Substances 0.000 claims description 12
- 238000011065 in-situ storage Methods 0.000 claims description 11
- 238000004497 NIR spectroscopy Methods 0.000 claims description 3
- 238000012886 linear function Methods 0.000 claims description 3
- 230000004931 aggregating effect Effects 0.000 claims 1
- 238000001228 spectrum Methods 0.000 description 44
- 238000004611 spectroscopical analysis Methods 0.000 description 12
- 238000004891 communication Methods 0.000 description 11
- 238000010586 diagram Methods 0.000 description 10
- 239000002994 raw material Substances 0.000 description 10
- 238000012545 processing Methods 0.000 description 7
- 235000013372 meat Nutrition 0.000 description 6
- 102000004169 proteins and genes Human genes 0.000 description 6
- 108090000623 proteins and genes Proteins 0.000 description 6
- 235000015278 beef Nutrition 0.000 description 5
- 235000000346 sugar Nutrition 0.000 description 5
- 241000251468 Actinopterygii Species 0.000 description 4
- 239000006187 pill Substances 0.000 description 4
- 238000012795 verification Methods 0.000 description 4
- HEFNNWSXXWATRW-UHFFFAOYSA-N Ibuprofen Chemical compound CC(C)CC1=CC=C(C(C)C(O)=O)C=C1 HEFNNWSXXWATRW-UHFFFAOYSA-N 0.000 description 3
- 239000003814 drug Substances 0.000 description 3
- 229960001680 ibuprofen Drugs 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 239000012907 medicinal substance Substances 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 229940023488 pill Drugs 0.000 description 3
- 238000012935 Averaging Methods 0.000 description 2
- WQZGKKKJIJFFOK-GASJEMHNSA-N Glucose Natural products OC[C@H]1OC(O)[C@H](O)[C@@H](O)[C@@H]1O WQZGKKKJIJFFOK-GASJEMHNSA-N 0.000 description 2
- 230000001413 cellular effect Effects 0.000 description 2
- 239000000470 constituent Substances 0.000 description 2
- 230000001419 dependent effect Effects 0.000 description 2
- 239000008103 glucose Substances 0.000 description 2
- GUBGYTABKSRVRQ-XLOQQCSPSA-N Alpha-Lactose Chemical compound O[C@@H]1[C@@H](O)[C@@H](O)[C@@H](CO)O[C@H]1O[C@@H]1[C@@H](CO)O[C@H](O)[C@H](O)[C@H]1O GUBGYTABKSRVRQ-XLOQQCSPSA-N 0.000 description 1
- BSYNRYMUTXBXSQ-UHFFFAOYSA-N Aspirin Chemical compound CC(=O)OC1=CC=CC=C1C(O)=O BSYNRYMUTXBXSQ-UHFFFAOYSA-N 0.000 description 1
- 241000287828 Gallus gallus Species 0.000 description 1
- GUBGYTABKSRVRQ-QKKXKWKRSA-N Lactose Natural products OC[C@H]1O[C@@H](O[C@H]2[C@H](O)[C@@H](O)C(O)O[C@@H]2CO)[C@H](O)[C@@H](O)[C@H]1O GUBGYTABKSRVRQ-QKKXKWKRSA-N 0.000 description 1
- 238000001069 Raman spectroscopy Methods 0.000 description 1
- 229940039203 acetaminophen pill Drugs 0.000 description 1
- 229960001138 acetylsalicylic acid Drugs 0.000 description 1
- 239000004480 active ingredient Substances 0.000 description 1
- WQZGKKKJIJFFOK-PHYPRBDBSA-N alpha-D-galactose Chemical compound OC[C@H]1O[C@H](O)[C@H](O)[C@@H](O)[C@H]1O WQZGKKKJIJFFOK-PHYPRBDBSA-N 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- WQZGKKKJIJFFOK-VFUOTHLCSA-N beta-D-glucose Chemical compound OC[C@H]1O[C@@H](O)[C@H](O)[C@@H](O)[C@@H]1O WQZGKKKJIJFFOK-VFUOTHLCSA-N 0.000 description 1
- 238000009614 chemical analysis method Methods 0.000 description 1
- 235000013330 chicken meat Nutrition 0.000 description 1
- 238000002790 cross-validation Methods 0.000 description 1
- 230000001066 destructive effect Effects 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 229930182830 galactose Natural products 0.000 description 1
- 229940077609 ibuprofen pill Drugs 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 239000008101 lactose Substances 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000004806 packaging method and process Methods 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 235000015277 pork Nutrition 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000003908 quality control method Methods 0.000 description 1
- 238000004445 quantitative analysis Methods 0.000 description 1
- 150000003839 salts Chemical class 0.000 description 1
- 241000894007 species Species 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 150000008163 sugars Chemical class 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000002460 vibrational spectroscopy Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
- G16C60/00—Computational materials science, i.e. ICT specially adapted for investigating the physical or chemical properties of materials or phenomena associated with their design, synthesis, processing, characterisation or utilisation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
- G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
- G01N21/255—Details, e.g. use of specially adapted sources, lighting or optical systems
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
- G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
- G01N21/27—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands using photo-electric detection ; circuits for computing concentration
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
- G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
- G01N21/31—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/2433—Single-class perspective, e.g. one-against-all classification; Novelty detection; Outlier detection
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
- G16C20/00—Chemoinformatics, i.e. ICT specially adapted for the handling of physicochemical or structural data of chemical particles, elements, compounds or mixtures
- G16C20/20—Identification of molecular entities, parts thereof or of chemical compositions
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
- G16C20/00—Chemoinformatics, i.e. ICT specially adapted for the handling of physicochemical or structural data of chemical particles, elements, compounds or mixtures
- G16C20/70—Machine learning, data mining or chemometrics
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
- G01N2021/1748—Comparative step being essential in the method
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
- G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
- G01N21/31—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry
- G01N21/35—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light
- G01N21/359—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light using near infrared light
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N2201/00—Features of devices classified in G01N21/00
- G01N2201/12—Circuits of general importance; Signal processing
- G01N2201/129—Using chemometrical methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Chemical & Material Sciences (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Pathology (AREA)
- Immunology (AREA)
- Biochemistry (AREA)
- Analytical Chemistry (AREA)
- Computing Systems (AREA)
- Evolutionary Biology (AREA)
- General Engineering & Computer Science (AREA)
- Crystallography & Structural Chemistry (AREA)
- Mathematical Physics (AREA)
- Databases & Information Systems (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
- Spectrometry And Color Measurement (AREA)
- Length Measuring Devices By Optical Means (AREA)
- Image Analysis (AREA)
- Debugging And Monitoring (AREA)
Abstract
장치는 미지의 샘플에 수행된 분광 측정의 결과를 식별하는 정보를 수신할 수 있다. 상기 장치는, 정량화 모델의 제1 복수의 트레이닝 세트 샘플이 판정 경계 내에 있고 상기 정량화 모델의 제2 복수의 트레이닝 세트 샘플이 상기 판정 경계 내에 있지 않도록 구성 가능한 파라미터에 기초하여 상기 정량화 모델의 판정 경계를 결정할 수 있다. 상기 장치는 상기 판정 경계에 대해 상기 미지의 샘플에 수행된 분광 측정의 거리 메트릭을 결정할 수 있다. 상기 장치는 상기 판정 경계에 대해 상기 정량화 모델의 제2 복수의 트레이닝 세트 샘플의 복수의 거리 메트릭을 결정할 수 있다. 상기 장치는 상기 미지의 샘플에 수행된 분광 측정이 상기 정량화 모델에 대응하는지 여부를 나타내는 정보를 제공할 수 있다.The device may receive information identifying a result of a spectroscopic measurement performed on an unknown sample. The apparatus is configured to determine a decision boundary of the quantification model based on a configurable parameter such that a first plurality of training set samples of the quantification model are within a decision boundary and a second plurality of training set samples of the quantification model are not within the decision boundary. can decide The device may determine a distance metric of a spectroscopic measurement performed on the unknown sample relative to the decision boundary. The apparatus may determine a plurality of distance metrics of a second plurality of training set samples of the quantification model with respect to the decision boundary. The device may provide information indicating whether a spectroscopic measurement performed on the unknown sample corresponds to the quantification model.
Description
본 발명은 분광 정량화를 위한 감소된 오긍정(false positive) 식별에 관한 것이다.The present invention relates to reduced false positive identification for spectroscopic quantification.
의약품의 품질 관리를 위해 원재료를 식별하는 것이 이용될 수 있다. 예를 들어, 의료 물질의 구성 성분이 의료 물질과 연관된 포장 라벨에 대응하는지 여부를 결정하기 위해 의료 물질의 원재료를 식별하는 일이 수행될 수 있다. 유사하게, 특정 샘플의 특정 성분의 농도를 결정하기 위해 원재료를 정량화하는 일이 수행될 수 있다. 예를 들어, 의약 내 활성 성분의 농도를 결정하기 위해 원재료를 정량화하는 일이 수행될 수 있다. 분광법은 다른 화학 분석 기술에 비해 감소된 준비 및 데이터 취득 시간으로 비 파괴적인 원재료 식별 및/또는 정량화를 가능하게 할 수 있다.Identification of raw materials may be used for quality control of pharmaceuticals. For example, identifying the raw material of the medical substance may be performed to determine whether a constituent of the medical substance corresponds to a packaging label associated with the medical substance. Similarly, quantifying the raw material to determine the concentration of a particular component in a particular sample may be performed. For example, quantification of the raw material may be performed to determine the concentration of the active ingredient in the medicament. Spectroscopy may enable non-destructive raw material identification and/or quantification with reduced preparation and data acquisition times compared to other chemical analysis techniques.
일부 가능한 제1 구현예에 따르면, 장치는 하나 이상의 프로세서에 통신 가능하게 결합된 하나 이상의 메모리를 포함할 수 있다. 상기 하나 이상의 메모리 및 상기 하나 이상의 프로세서는 미지의 샘플에 수행된 분광 측정의 결과를 식별하는 정보를 수신하도록 구성될 수 있다. 상기 하나 이상의 메모리 및 상기 하나 이상의 프로세서는, 정량화 모델의 제1 복수의 트레이닝 세트(training set) 샘플이 판정 경계(decision boundary) 내에 있고 상기 정량화 모델의 제2 복수의 트레이닝 세트 샘플이 상기 판정 경계 내에 있지 않도록, 구성 가능 파라미터에 기초하여 상기 정량화 모델의 판정 경계를 결정하도록 구성될 수 있다. 상기 하나 이상의 메모리 및 상기 하나 이상의 프로세서는 상기 판정 경계에 대해 상기 미지의 샘플에 수행된 분광 측정값의 거리 메트릭(distance metric)을 결정하도록 구성될 수 있다. 상기 하나 이상의 메모리 및 상기 하나 이상의 프로세서는 상기 판정 경계에 대해 상기 정량화 모델의 상기 제2 복수의 트레이닝 세트 샘플의 복수의 거리 메트릭을 결정하도록 구성될 수 있다. 상기 하나 이상의 메모리 및 상기 하나 이상의 프로세서는 상기 분광 측정값의 거리 메트릭 및 상기 제2 복수의 트레이닝 세트 샘플의 복수의 거리 메트릭에 기초하여 상기 미지의 샘플에 수행된 분광 측정값이 상기 정량화 모델에 대응하는지 여부를 결정하도록 구성될 수 있다. 상기 하나 이상의 메모리 및 상기 하나 이상의 프로세서는 상기 미지의 샘플에 수행된 분광 측정이 상기 정량화 모델에 대응하는지 여부를 나타내는 정보를 제공하도록 구성될 수 있다.According to some possible first implementations, an apparatus may comprise one or more memories communicatively coupled to one or more processors. The one or more memories and the one or more processors may be configured to receive information identifying a result of a spectroscopic measurement performed on an unknown sample. The one or more memories and the one or more processors are configured to determine that a first plurality of training set samples of the quantification model are within a decision boundary and a second plurality of training set samples of the quantification model are within the decision boundary. to determine the decision boundary of the quantification model based on a configurable parameter. The one or more memories and the one or more processors may be configured to determine a distance metric of a spectral measurement performed on the unknown sample relative to the decision boundary. The one or more memories and the one or more processors may be configured to determine a plurality of distance metrics of the second plurality of training set samples of the quantification model with respect to the decision boundary. The one or more memories and the one or more processors are configured to determine whether spectral measurements performed on the unknown sample based on a distance metric of the spectral measurements and a plurality of distance metrics of the second plurality of training set samples correspond to the quantification model. may be configured to determine whether or not The one or more memories and the one or more processors may be configured to provide information indicating whether a spectroscopic measurement performed on the unknown sample corresponds to the quantification model.
보다 구체적으로, 추가적인 실시형태에 있어서, 상기 하나 이상의 프로세서는, 상기 미지의 샘플에 수행된 분광 측정이 상기 정량화 모델에 대응하는지 여부를 결정할 때, 상기 분광 측정이 상기 정량화 모델에 대응하지 않는다고 결정하도록 구성되고; 상기 하나 이상의 프로세서는, 상기 미지의 샘플에 수행된 상기 분광 측정이 상기 정량화 모델에 대응하는지 여부를 나타내는 정보를 제공할 때, 상기 분광 측정이 상기 정량화 모델에 대응하지 않는 것을 나타내는 정보를 제공하도록 구성된다. 또한 상기 하나 이상의 프로세서는, 상기 미지의 샘플에 수행된 분광 측정이 상기 정량화 모델에 대응하는지 여부를 결정할 때, 상기 분광 측정이 상기 정량화 모델에 대응한다고 결정하도록 구성되고; 상기 하나 이상의 프로세서는, 상기 미지의 샘플에 수행된 상기 분광 측정이 상기 정량화 모델에 대응하는지 여부를 나타내는 정보를 제공할 때, 상기 분광 측정이 상기 정량화 모델에 대응하는 것을 나타내는 정보를 제공하도록 구성된다. 또한 상기 하나 이상의 프로세서는, 상기 미지의 샘플에 수행된 분광 측정이 상기 정량화 모델에 대응하는지 여부를 결정할 때, 상기 복수의 거리 메트릭에 대해 상기 거리 메트릭의 통계 메트릭을 결정하고; 상기 통계 메트릭에 기초하여 상기 미지의 샘플에 수행된 분광 측정이 상기 정량화 모델에 대응하는지 여부를 결정하도록 구성된다. 또한 상기 통계 메트릭은 로그-정규 표준 편차이고; 상기 하나 이상의 프로세서는, 상기 통계 메트릭에 기초하여 상기 미지의 샘플에 수행된 분광 측정이 상기 정량화 모델에 대응하는지 여부를 결정할 때, 상기 로그-정규 표준 편차가 임계값을 만족한다고 결정하고; 상기 로그-정규 표준 편차가 상기 임계값을 만족하는 것으로 결정한 것에 기초하여 상기 미지의 샘플에 수행된 분광 측정이 상기 정량화 모델에 대응하는지 여부를 결정하도록 구성된다. 또한 상기 정량화 모델은 단일 클래스 지원 벡터 머신(single class support vector machine)(SC-SVM) 분류기와 연관된다. 또한 상기 하나 이상의 프로세서는, 상기 제1 복수의 트레이닝 세트 샘플 및 상기 제2 복수의 트레이닝 세트 샘플과 관련된 복수의 분광 측정값을 수신하고; 상기 복수의 분광 측정값에 기초하여 상기 정량화 모델을 결정하고; 복수의 검증 세트 샘플의 다른 복수의 분광 측정값에 기초하여 상기 정량화 모델을 검증하고; 상기 정량화 모델을 저장하도록 더 구성되고, 상기 하나 이상의 프로세서는, 상기 판정 경계를 결정할 때, 저장 매체로부터 상기 정량화 모델을 얻고; 상기 저장 매체로부터 상기 정량화 모델을 얻은 후에 상기 판정 경계를 결정하도록 구성된다.More specifically, in a further embodiment, the one or more processors are configured to: when determining whether a spectroscopic measurement performed on the unknown sample corresponds to the quantification model, determine that the spectroscopic measurement does not correspond to the quantification model; wherein the one or more processors are configured to, when providing information indicating whether the spectroscopic measurement performed on the unknown sample corresponds to the quantification model, provide information indicating that the spectroscopic measurement does not correspond to the quantification model do. Further, the one or more processors are configured to: when determining whether the spectroscopic measurement performed on the unknown sample corresponds to the quantification model, determine that the spectroscopic measurement corresponds to the quantification model; the one or more processors are configured to, when providing information indicating whether the spectroscopic measurement performed on the unknown sample corresponds to the quantification model, provide information indicating that the spectroscopic measurement corresponds to the quantification model . The one or more processors are further configured to: when determining whether a spectral measurement performed on the unknown sample corresponds to the quantification model, determine a statistical metric of the distance metric for the plurality of distance metrics; and determine whether a spectroscopic measurement performed on the unknown sample corresponds to the quantification model based on the statistical metric. The statistical metric is also log-normal standard deviation; the one or more processors are configured to: determine whether the log-normal standard deviation satisfies a threshold when determining whether the spectroscopic measurement performed on the unknown sample corresponds to the quantification model based on the statistical metric; and determine whether a spectroscopic measurement performed on the unknown sample corresponds to the quantification model based on determining that the log-normal standard deviation satisfies the threshold. The quantification model is also associated with a single class support vector machine (SC-SVM) classifier. The one or more processors are further configured to: receive a plurality of spectral measurements associated with the first plurality of training set samples and the second plurality of training set samples; determine the quantification model based on the plurality of spectroscopic measurements; validate the quantification model based on another plurality of spectral measurements of a plurality of validation set samples; further configured to store the quantification model, wherein the one or more processors are configured to: obtain the quantification model from a storage medium when determining the decision boundary; and determine the decision boundary after obtaining the quantification model from the storage medium.
일부 가능한 제2 구현예에 따르면, 비-일시적인 컴퓨터 판독 가능 매체는 하나 이상의 명령을 저장할 수 있다. 상기 하나 이상의 명령은, 하나 이상의 프로세서에 의해 실행될 때, 특정 유형의 관심 대상 물질과 관련된 정량화 모델을 획득하게 할 수 있다. 상기 정량화 모델은 상기 특정 유형의 관심 대상 물질의 샘플에서 특정 성분의 농도를 결정하도록 구성될 수 있다. 상기 하나 이상의 명령은, 상기 하나 이상의 프로세서에 의해 실행될 때, 상기 하나 이상의 프로세서가 미지의 샘플에 수행된 특정 분광 측정의 결과를 식별하는 정보를 수신하게 할 수 있다. 상기 하나 이상의 명령은, 상기 하나 이상의 프로세서에 의해 실행될 때, 상기 하나 이상의 프로세서가 상기 정량화 모델의 트레이닝 세트 샘플의 다른 분광 측정값을 상기 정량화 모델의 단일 클래스(class)로 집계(aggregate)하게 할 수 있다. 상기 하나 이상의 명령은, 상기 하나 이상의 프로세서에 의해 실행될 때, 상기 하나 이상의 프로세서가 상기 트레이닝 세트 샘플의 다른 분광 측정값을 제1 그룹 및 제2 그룹으로 세분하게 할 수 있다. 상기 다른 분광 측정값의 제1 그룹은 판정 경계 내에 있을 수 있다. 상기 다른 분광 측정값의 제2 그룹은 상기 판정 경계 내에 있지 않을 수 있다. 상기 하나 이상의 명령은, 상기 하나 이상의 프로세서에 의해 실행될 때, 상기 하나 이상의 프로세서가 상기 다른 분광 측정값의 제2 그룹의 대응하는 메트릭에 대해 상기 미지의 샘플에 수행된 특정 분광 측정값의 메트릭이 임계값을 만족한다고 결정하게 할 수 있다. 상기 하나 이상의 명령은, 상기 하나 이상의 프로세서에 의해 실행될 때, 상기 하나 이상의 프로세서가 상기 미지의 샘플이 상기 특정 유형의 관심 대상 물질이 아닌 것을 나타내는 정보를 제공하게 할 수 있다.According to some possible second implementations, a non-transitory computer readable medium may store one or more instructions. The one or more instructions, when executed by the one or more processors, may cause obtaining a quantification model associated with a particular type of substance of interest. The quantification model may be configured to determine the concentration of a particular component in a sample of the particular type of substance of interest. The one or more instructions, when executed by the one or more processors, may cause the one or more processors to receive information identifying a result of a particular spectroscopic measurement performed on an unknown sample. The one or more instructions, when executed by the one or more processors, may cause the one or more processors to aggregate different spectral measurements of a training set sample of the quantification model into a single class of the quantification model. have. The one or more instructions, when executed by the one or more processors, may cause the one or more processors to subdivide the different spectral measurements of the training set samples into a first group and a second group. The first group of different spectroscopic measurements may be within a decision boundary. The second group of different spectroscopic measurements may not be within the decision boundary. The one or more instructions, when executed by the one or more processors, cause the one or more processors to determine that a metric of a particular spectral measurement performed on the unknown sample relative to a corresponding metric of the second group of other spectroscopic measurements is critical. It can be determined that the value is satisfied. The one or more instructions, when executed by the one or more processors, may cause the one or more processors to provide information indicating that the unknown sample is not the particular type of substance of interest.
보다 구체적으로, 추가적인 실시예에 있어서, 상기 미지의 샘플은 상기 특정 유형의 관심 대상 물질과 상이한 유형의 물질이다. 또한 상기 미지의 샘플은 상기 특정 유형의 관심 대상 물질이고, 부정확하게 얻어진 측정값이다. 상기 메트릭 및 상기 대응하는 메트릭은 판정값이다. 또한 상기 임계값은 상기 대응하는 메트릭의 평균으로부터의 상기 메트릭의 표준 편차의 임계량이다. 또한 상기 메트릭 및 상기 대응하는 메트릭은 단일 클래스 지원 벡터 머신 기술을 사용하여 결정된다. 또한 상기 정량화 모델은 국부 모델이고, 상기 하나 이상의 명령은, 상기 하나 이상의 프로세서에 의해 실행될 때, 상기 하나 이상의 프로세서가, 상기 특정 유형의 관심 대상 물질과 관련된 전역 모델을 사용하여 상기 미지의 샘플의 특정 분광 측정값과 관련된 제1 결정을 수행하는 동작; 및 상기 제1 결정의 특정 결과에 기초하여 및 상기 원-위치(in-situ) 국부 모델링 기술을 사용하여 상기 국부 모델을 생성하는 동작을 더 수행하게 하고; 상기 하나 이상의 프로세서가 상기 정량화 모델을 얻게 하는 상기 하나 이상의 명령은, 하나 이상의 프로세서가, 상기 국부 모델을 생성한 것에 기초하여 상기 정량화 모형을 얻게 한다.More specifically, in a further embodiment, the unknown sample is a different type of material than the particular type of material of interest. Also, the unknown sample is the particular type of substance of interest, and an inaccurately obtained measurement. The metric and the corresponding metric are decision values. The threshold is also a threshold amount of the standard deviation of the metric from the mean of the corresponding metric. Further, the metric and the corresponding metric are determined using a single class support vector machine technique. Further, the quantification model is a local model, and wherein the one or more instructions, when executed by the one or more processors, cause the one or more processors to specify the unknown sample using a global model associated with the particular type of substance of interest. making a first determination related to the spectroscopic measurement; and generating the local model based on the particular result of the first determination and using the in-situ local modeling technique; The one or more instructions causing the one or more processors to obtain the quantification model causes the one or more processors to obtain the quantification model based on generating the local model.
일부 가능한 제3 구현예에 따르면, 방법은 미지의 샘플에 수행된 근적외선(NIR) 분광 측정의 결과를 식별하는 정보를 장치에 의해 수신하는 단계를 포함할 수 있다. 상기 방법은 상기 장치에 의해 정량화 모델의 판정 경계를 결정하는 단계를 포함할 수 있고, 여기서 상기 판정 경계는 상기 정량화 모델의 단일 클래스를, 상기 판정 경계 내에 있는 상기 정량화 모델의 제1 복수의 트레이닝 세트 샘플 및 상기 판정 경계 내에 있지 않은 상기 정량화 모델의 제2 복수의 트레이닝 세트 샘플로 분할한다. 상기 방법은, 상기 미지의 샘플에 수행된 상기 NIR 분광 측정값의 특정 거리 메트릭이 상기 제2 복수의 트레이닝 세트 샘플의 다른 거리 메트릭에 대한 임계값을 만족하는 것으로 상기 장치에 의해 결정하는 단계를 포함할 수 있다. 상기 방법은, 상기 미지의 샘플에 수행된 상기 NIR 분광 측정값의 특정 거리 메트릭이 상기 제2 복수의 트레이닝 세트 샘플의 다른 거리 메트릭에 대한 임계값을 만족하는 것으로 결정한 것에 기초하여, 상기 미지의 샘플에 수행된 상기 NIR 분광 측정값이 상기 정량화 모델에 대응하지 않는 것을 나타내는 정보를 상기 장치에 의해 제공하는 단계를 포함할 수 있다.According to some possible third implementations, the method may comprise receiving by the device information identifying a result of a near infrared (NIR) spectroscopic measurement performed on an unknown sample. The method may include determining, by the apparatus, a decision boundary of a quantification model, wherein the decision boundary determines a single class of the quantification model, a first plurality of training sets of the quantification models within the decision boundary. samples and a second plurality of training set samples of the quantification model that are not within the decision boundary. The method includes determining by the apparatus that a particular distance metric of the NIR spectroscopic measurements performed on the unknown sample meets a threshold for another distance metric of the second plurality of training set samples. can do. The method includes determining that a particular distance metric of the NIR spectroscopic measurements performed on the unknown sample satisfies a threshold for another distance metric of the second plurality of training set samples, wherein the unknown sample and providing, by the device, information indicating that the NIR spectroscopic measurements performed on .
보다 구체적으로, 추가적인 실시예에 있어서, 분류 모델을 사용하여 상기 NIR 분광 측정값에 기초하여 및 상기 미지의 샘플에 수행된 특정 거리 메트릭이 상기 제2 복수의 트레이닝 세트 샘플의 다른 거리 메트릭에 대한 상기 임계값을 만족하는 것으로 결정한 것에 기초하여 상기 미지의 샘플의 유형을 결정하는 단계; 및 상기 미지의 샘플의 유형을 식별하는 정보를 제공하는 단계를 더 포함한다. 또한 커널 함수에 기초하여 상기 판정 경계를 결정하는 단계를 더 포함한다. 또한 상기 커널 함수는, 방사형 기저 함수, 다항식 함수, 선형 함수, 또는 지수 함수 중 적어도 하나이다. 또한 상기 임계값은, 1개의 표준 편차, 2개의 표준 편차, 또는 3개의 표준 편차 중 적어도 하나를 초과한다. 또한 상기 제1 복수의 트레이닝 세트 샘플 및 상기 제2 복수의 트레이닝 세트 샘플은 성분의 농도의 세트와 연관되고, 상기 성분의 농도의 세트 중 상기 성분의 각각의 농도는 상기 제1 복수의 트레이닝 세트 샘플 및 상기 제2 복수의 트레이닝 세트 샘플의 트레이닝 세트 샘플의 임계량과 연관된다.More specifically, in a further embodiment, a particular distance metric performed on the unknown sample and based on the NIR spectroscopic measurements using a classification model is the above relative distance metric for other distance metrics of the second plurality of training set samples. determining the type of the unknown sample based on determining that a threshold is satisfied; and providing information identifying the type of the unknown sample. The method further includes determining the decision boundary based on a kernel function. Also, the kernel function is at least one of a radial basis function, a polynomial function, a linear function, and an exponential function. The threshold also exceeds at least one of one standard deviation, two standard deviations, or three standard deviations. Also, the first plurality of training set samples and the second plurality of training set samples are associated with a set of concentrations of a component, wherein each concentration of the component in the set of concentrations of the component is determined from the first plurality of training set samples. and a threshold amount of training set samples of the second plurality of training set samples.
도 1a 및 도 1b는 본 명세서에서 설명된 예시적인 구현예의 개략도;
도 2는 본 명세서에 설명된 시스템 및/또는 방법이 구현될 수 있는 예시적인 환경을 나타내는 도면;
도 3은 도 2의 하나 이상의 장치의 예시적인 구성 요소를 나타내는 도면;
도 4는 분광 정량화를 위한 정량화 모델을 생성하는 예시적인 프로세스의 흐름도;
도 5는 도 4에 도시된 예시적인 프로세스에 관한 예시적인 구현예를 도시하는 도면;
도 6은 분광 정량화 동안 오긍정 식별을 회피하는 예시적인 프로세스의 흐름도; 및
도 7a 및 도 7b는 도 6에 도시된 예시적인 프로세스에 관한 예시적인 구현예를 도시하는 도면.1A and 1B are schematic diagrams of example implementations described herein;
2 depicts an exemplary environment in which the systems and/or methods described herein may be implemented;
3 illustrates exemplary components of one or more devices of FIG. 2 ;
4 is a flow diagram of an exemplary process for generating a quantification model for spectroscopic quantification;
FIG. 5 depicts an exemplary implementation of the exemplary process shown in FIG. 4 ;
6 is a flow diagram of an exemplary process for avoiding false positive identification during spectroscopic quantification; and
7A and 7B show exemplary implementations of the exemplary process shown in FIG. 6 ;
예시적인 구현예의 이하 상세한 설명은 첨부된 도면을 참조한다. 상이한 도면에서 동일한 참조 번호는 동일하거나 유사한 요소를 나타낼 수 있다.DETAILED DESCRIPTION OF THE PREFERRED EMBODIMENTS The following detailed description of exemplary embodiments refers to the accompanying drawings. The same reference numbers in different drawings may refer to the same or similar elements.
원재료 식별(raw material identification: RMID)은 식별, 확인 등을 위해 특정 샘플의 성분(예를 들어, 구성 성분)을 식별하는 데 사용되는 기술이다. 예를 들어, RMID는 의약 물질의 구성 성분이 라벨에 식별된 구성 성분의 세트에 대응하는지를 확인하는 데 이용될 수 있다. 유사하게, 원재료 정량화는, 특정 샘플에 정량 분석을 수행하기 위해, 예를 들어, 특정 샘플에서 특정 성분 물질의 농도를 결정하기 위해 이용되는 기술이다. 분광기(spectrometer)는 샘플의 성분, 샘플의 성분의 농도 등을 결정하기 위해 샘플(예를 들어, 의약 물질)에 분광을 수행하는데 이용될 수 있다. 분광기는 샘플의 측정값의 세트를 결정할 수 있으며, 분광 결정을 위해 측정값의 세트를 제공할 수 있다. 분광 분류 기술(예를 들어, 분류기(classifier))은 샘플의 측정값의 세트에 기초하여 샘플의 성분 또는 샘플의 성분의 농도를 결정하는 것을 가능하게 할 수 있다.Raw material identification (RMID) is a technique used to identify components (eg, constituents) of a particular sample for identification, identification, and the like. For example, the RMID may be used to verify that a component of a pharmaceutical substance corresponds to a set of components identified on a label. Similarly, raw material quantification is a technique used to perform quantitative analysis on a particular sample, for example, to determine the concentration of a particular component substance in a particular sample. A spectrometer may be used to perform spectroscopy on a sample (eg, a medicinal substance) to determine a component of the sample, a concentration of a component of the sample, and the like. The spectrometer may determine a set of measurements of the sample and may provide the set of measurements for spectroscopic determination. A spectroscopic classification technique (eg, a classifier) may enable determining a component of a sample or a concentration of a component of a sample based on a set of measurements of the sample.
그러나, 분광 정량화를 받는 일부 미지의 샘플은 정량화 모델이 정량화되도록 구성된 물질의 클래스에 실제로 포함되지는 않는다. 예를 들어, 물고기(fish) 샘플에서 특정 유형의 단백질의 농도를 결정하도록 트레이닝된 정량화 모델의 경우, 사용자는 의도치 않게 정량화를 위해 쇠고기(beef) 샘플을 제공할 수 있다. 이 경우, 제어 장치는 쇠고기 샘플의 분광 정량화를 수행할 수 있으며, 쇠고기 샘플을 특정 유형의 단백질의 특정 농도를 갖는 것으로 식별하는 것으로 제공할 수 있다. 그러나, 쇠고기와 물고기 사이 및 그 단백질 사이의 분광 특성(signature)의 차이 때문에, 식별이 부정확할 수 있으며, 이는 오긍정 식별이라고 불릴 수 있다.However, some unknown samples subjected to spectroscopic quantification are not actually included in the class of substances for which the quantification model is configured to be quantified. For example, in the case of a quantification model trained to determine the concentration of a particular type of protein in a fish sample, a user may unintentionally provide a beef sample for quantification. In this case, the control device may perform the spectral quantification of the beef sample, and may provide the beef sample as identifying it as having a specific concentration of a specific type of protein. However, due to differences in the spectral signature between beef and fish and between their proteins, the identification may be inaccurate, which may be referred to as a false positive identification.
또 다른 예로서, 정량화 모델은 상이한 유형의 당(sugar)(예를 들어, 글루코스, 락토스, 갈락토스 등) 및 미지의 샘플의 상대 농도를 정량화하기 위해 트레이닝될 수 있다. 그러나 분광기와 제어 장치의 사용자는 측정을 수행하기 위해 분광기를 부정확하게 사용한 것에 기초하여 당의 미지의 샘플을 분류하려고 의도치 않게 시도할 수 있다. 예를 들어, 사용자는 미지의 샘플과의 거리가 부정확한 상태에서, 분광이 정량화 모델을 트레이닝시키기 위해 수행된 교정 조건과는 다른 환경 조건에서, 및/또는 부정확하게 얻어진 측정값을 초래하는 다른 조건에서 분광기를 동작시킬 수 있다. 이 경우에, 제어 장치는 미지의 샘플에 대해 부정확한 스펙트럼을 수신할 수 있고, 이는 미지의 샘플이 실제로 제2 농도의 제2 유형의 당을 포함할 때, 미지의 샘플을 제1 농도의 제1 유형의 당을 갖는 것으로 오긍정 식별하는 것을 초래할 수 있다.As another example, a quantification model can be trained to quantify the relative concentrations of different types of sugars (eg, glucose, lactose, galactose, etc.) and unknown samples. However, the user of the spectrometer and the control device may unintentionally attempt to classify an unknown sample of sugar based on incorrect use of the spectrometer to perform the measurement. For example, the user may have an incorrect distance to an unknown sample, an environmental condition in which spectroscopy is different from the calibration conditions performed to train the quantification model, and/or other conditions that result in inaccurately obtained measurements. The spectrometer can be operated in In this case, the control device may receive an incorrect spectrum for the unknown sample, which means that when the unknown sample actually comprises a second concentration of a second type of sugar, it converts the unknown sample to a second concentration of the first concentration. It can lead to false positive identification as having type 1 sugar.
본 명세서에 설명된 일부 구현예는 단일 클래스 지원 벡터 머신(SC-SVM) 기술을 사용하여 분광 정량화 시에 오긍정 식별할 가능성을 감소시킬 수 있다. 예를 들어, 미지의 샘플의 분광 측정값을 수신하는 제어 장치는 미지의 샘플의 분광 측정값이 분광 모델이 정량화하도록 구성된 물질의 클래스에 대응하는지 여부를 결정할 수 있다. 일부 구현예에서, 제어 장치는 분광 모델이 정량화하도록 구성된 물질의 클래스와 미지의 샘플이 연관이 없는 것으로 결정할 수 있으며, 미지의 샘플이 물질의 클래스와 연관이 없는 것을 나타내는 정보를 제공함으로써, 미지의 샘플을 오긍정 식별하는 것을 회피할 수 있다. 대안적으로, 분광 모델이 정량화하도록 구성된 물질의 클래스와 미지의 샘플이 연관된 것으로 결정한 것에 기초하여, 제어 장치는 미지의 샘플의 스펙트럼을 분석하여 예를 들어 농도, 분류 등에 분광 결정을 제공할 수 있다. 또한, 제어 장치는 오긍정 식별을 필터링하기 위해 확률 추정, 판정값 등과 같은 신뢰도 메트릭을 이용할 수 있다.Some implementations described herein may use single class support vector machine (SC-SVM) techniques to reduce the likelihood of false positives in spectral quantification. For example, the control device receiving the spectral measurement of the unknown sample may determine whether the spectral measurement of the unknown sample corresponds to a class of substance for which the spectral model is configured to quantify. In some embodiments, the control device may determine that the unknown sample is not associated with the class of material for which the spectroscopic model is configured to quantify, and provides information indicating that the unknown sample is not associated with the class of material, thereby False positive identification of the sample can be avoided. Alternatively, based on the spectral model determining that the unknown sample is associated with the class of substance configured to quantify, the control device may analyze the spectrum of the unknown sample to provide a spectral determination, e.g., concentration, classification, etc. . In addition, the control device may use a reliability metric such as a probability estimate, a decision value, etc. to filter out false positive identification.
이러한 방식으로, 잠재적인 에러 샘플(예를 들어, 분광 모델이 구성되지 않은 물질의 클래스와 연관된 샘플, 또는 분광 측정값이 부정확하게 얻어진 샘플) 및/또는 신뢰도 메트릭의 식별 없이 수행된 분광에 비해 분광의 정확도가 개선된다. 더욱이, 분광 모델이 구성되는 클래스와 물질이 연관되는지 여부의 결정은 알려진 분광 샘플의 트레이닝 세트에 기초하여 정량화 모델을 생성할 때 사용될 수 있다. 예를 들어, 제어 장치는 트레이닝 세트의 샘플이 (예를 들어, 부정확한 샘플이 트레이닝 세트에 도입되게 하는 인간 에러에 기초하여) 트레이닝 세트의 나머지 샘플에 대응하는 유형이 아닌 것으로 결정할 수 있으며, 정량화 모델을 생성할 때 샘플에 관한 데이터를 포함하지 않는 것으로 결정할 수 있다. 이러한 방식으로, 제어 장치는 분광을 위한 정량화 모델의 정확도를 향상시킨다.In this way, spectroscopy compared to spectroscopy performed without identification of potentially erroneous samples (eg, samples associated with a class of material for which no spectroscopic model was constructed, or samples for which spectral measurements were obtained incorrectly) and/or confidence metrics. the accuracy is improved. Moreover, the determination of whether a substance is associated with the class of which the spectral model is constructed can be used when generating a quantification model based on a training set of known spectroscopic samples. For example, the control device may determine that a sample of the training set is not of a type corresponding to the remaining samples of the training set (eg, based on human error causing an incorrect sample to be introduced into the training set), and quantify When creating a model, you may decide not to include data about the sample. In this way, the control device improves the accuracy of the quantification model for spectroscopy.
도 1a 및 도 1b는 본 명세서에서 설명된 예시적인 구현예(100)의 개략도이다. 도 1a에 도시된 바와 같이, 예시적인 구현예(100)는 제어 장치 및 분광기를 포함할 수 있다.1A and 1B are schematic diagrams of an
도 1a에 더 도시된 바와 같이, 제어 장치는 분광기가 트레이닝 세트 및 검증 세트(validation set)(예를 들어, 분류 모델의 트레이닝 및 검증을 위해 이용되는 알려진 샘플 세트)에 일련의 분광 측정을 수행하게 할 수 있다. 트레이닝 세트 및 검증 세트는 정량화 모델이 트레이닝될 성분에 대한 샘플의 임계량을 포함하도록 선택될 수 있다. 성분이 발생할 수 있고 정량화 모델을 트레이닝하는 데 사용될 수 있는 물질은 관심 대상 물질이라고 지칭될 수 있다. 이러한 경우, 트레이닝 세트 및 검증 세트는 미지의 샘플에서 관심 대상 물질의 농도를 식별하기 위해 정량화 모델의 트레이닝을 가능하게 하기 위해 예를 들어 관심 대상 물질의 제1 농도를 나타내는 제1 샘플 그룹, 관심 대상 물질의 제2 농도를 나타내는 제2 샘플 그룹 등을 포함할 수 있다.1A , the control device causes the spectrometer to perform a series of spectroscopic measurements on a training set and a validation set (eg, a set of known samples used for training and validation of a classification model). can do. The training set and validation set may be selected such that the quantification model contains a threshold amount of samples for the component to be trained. A substance from which a component may arise and which may be used to train a quantification model may be referred to as a substance of interest. In such a case, the training set and validation set may include, for example, a first sample group representing a first concentration of the substance of interest, to enable training of a quantification model to identify a concentration of the substance of interest in an unknown sample. and a second sample group representing a second concentration of the substance, and the like.
도 1a에 더 도시된 바와 같이, 분광기는 제어 장치로부터 명령을 수신한 것에 기초하여 트레이닝 세트 및 검증 세트에 일련의 분광 측정을 수행할 수 있다. 예를 들어, 분광기는 제어 장치가 미지의 샘플을 정량화 모델의 관심 대상 물질들 중 하나로서 분류하기 위해 클래스의 세트를 생성할 수 있도록 트레이닝 세트 및 검증 세트의 각 샘플에 대해 스펙트럼을 결정할 수 있다.As further shown in FIG. 1A , the spectrometer may perform a series of spectroscopic measurements on the training set and the validation set based on receiving commands from the control device. For example, the spectrometer may determine a spectrum for each sample in the training set and validation set such that the control device may generate a set of classes to classify the unknown sample as one of the substances of interest in the quantification model.
분광기는 분광 측정값의 세트를 제어 장치에 제공할 수 있다. 제어 장치는 특정 결정 기술을 사용하여 및 분광 측정값의 세트에 기초하여 정량화 모델을 생성할 수 있다. 예를 들어, 제어 장치는 단일 클래스 SVM(SC-SVM) 기술과 같은 지원 벡터 머신(SVM) 기술(예를 들어, 정보 결정을 위한 기계 학습 기술)을 사용하여 정량화 모델을 생성할 수 있다. 정량화 모델은 관심 대상 물질의 성분의 특정 농도(예를 들어, 관심 대상 물질에서 성분의 특정 농도 레벨)에 특정 스펙트럼을 할당하는 것과 연관된 정보를 포함할 수 있다. 이러한 방식으로, 제어 장치는 미지의 샘플의 스펙트럼을 특정 농도에 대응하는 정량화 모델의 특정 농도 클래스에 할당한 것에 기초하여 미지의 샘플에서 성분의 농도를 식별하는 정보를 제공할 수 있다.The spectrometer may provide a set of spectroscopic measurements to the control device. The control device may generate a quantification model using a particular determination technique and based on the set of spectroscopic measurements. For example, the control device may generate the quantification model using a support vector machine (SVM) technique (eg, a machine learning technique for information determination), such as a single class SVM (SC-SVM) technique. The quantification model may include information associated with assigning a specific spectrum to a specific concentration of a component of the substance of interest (eg, a specific concentration level of the component in the substance of interest). In this way, the control device can provide information identifying the concentration of a component in the unknown sample based on the assignment of the spectrum of the unknown sample to a specific concentration class of the quantification model corresponding to the specific concentration.
도 1b에 도시된 바와 같이, 제어 장치는 (예를 들어, 저장 구성 요소로부터, 정량화 모델을 생성한 다른 제어 장치 등으로부터) 정량화 모델을 수신할 수 있다. 제어 장치는 분광기가 미지의 샘플(예를 들어, 분류 또는 정량화가 수행될 미지의 샘플)에 일련의 분광 측정을 수행하게 할 수 있다. 분광기는 제어 장치로부터 명령을 수신한 것에 기초하여 일련의 분광 측정을 수행할 수 있다. 예를 들어, 분광기는 미지의 샘플에 대해 스펙트럼을 결정할 수 있다. 분광기는 분광 측정값의 세트를 제어 장치에 제공할 수 있다. 제어 장치는 정량화 모델에 기초하여 미지의 샘플을 정량화하려고 (예를 들어, 미지의 샘플을, 미지의 샘플에서 특정 성분의 특정 농도 또는 특정 양과 연관된 특정 클래스로 분류하려고) 시도할 수 있다. 예를 들어, 제어 장치는 미지의 샘플(예를 들어, 알약) 내 이부프로펜의 특정 농도, 미지의 샘플(예를 들어, 당 기반 제품) 내 글루코스의 특정 단위량 등을 결정하려고 시도할 수 있다.As shown in FIG. 1B , the control device may receive the quantification model (eg, from a storage component, from another control device that generated the quantification model, etc.). The control device may cause the spectrometer to perform a series of spectroscopic measurements on an unknown sample (eg, the unknown sample on which classification or quantification is to be performed). The spectrometer may perform a series of spectroscopic measurements based on receiving commands from the control device. For example, a spectrometer may determine a spectrum for an unknown sample. The spectrometer may provide a set of spectroscopic measurements to the control device. The control device may attempt to quantify the unknown sample based on the quantification model (eg, classify the unknown sample into a specific class associated with a specific concentration or specific amount of a specific component in the unknown sample). For example, the control device may attempt to determine a specific concentration of ibuprofen in an unknown sample (eg, a pill), a specific unit amount of glucose in the unknown sample (eg, a sugar based product), and the like.
도 1b와 관련하여, 제어 장치는 미지의 샘플이 정량화 모델에 대응하는지 여부를 결정하려고 시도할 수 있다. 예를 들어, 제어 장치는 미지의 샘플이 (예를 들어, 정량화 모델이 트레이닝 세트 및 검증 세트를 사용하여 구성되는 농도 세트 중 임의의 농도의) 관심 대상 물질에 속할 가능성에 대응하는 신뢰도 메트릭을 결정할 수 있다. 일례로서, 이부프로펜 알약의 샘플 내 이부프로펜의 농도를 식별하도록 구성된 정량화 모델의 경우, 제어 장치는 미지의 샘플이 (아세트아미노펜 알약, 아세틸살리실산 알약 등과 같은 다른 유형의 알약이 아닌) 이부프로펜 알약인지 여부를 결정할 수 있다. 또 다른 예로서, 물고기 어육에서 소금의 농도를 식별하도록 구성된 정량화 모델의 경우, 제어 장치는 미지의 샘플이 (닭고기, 쇠고기, 돼지고기 등이 아닌) 물고기 어육인지 여부를 결정할 수 있다.1B , the control device may attempt to determine whether an unknown sample corresponds to a quantification model. For example, the control device is configured to determine a confidence metric corresponding to the likelihood that the unknown sample belongs to the substance of interest (eg, of any concentration in a concentration set for which a quantification model is constructed using a training set and a validation set). can As an example, for a quantification model configured to identify a concentration of ibuprofen in a sample of ibuprofen pills, the control device can determine whether the unknown sample is an ibuprofen pill (and not another type of pill such as an acetaminophen pill, an acetylsalicylic acid pill, etc.). can As another example, for a quantification model configured to identify a concentration of salt in fish meat, the control device may determine whether the unknown sample is fish meat (other than chicken, beef, pork, etc.).
이 경우, 제어 장치가 확률 추정, 지원 벡터 머신의 판정값 출력 등과 같은 신뢰도 메트릭이 임계값(예를 들어, 본 명세서에 설명된 표준 편차 임계값)을 만족하는 것으로 결정한 것에 기초하여, 제어 장치는 미지의 샘플이 관심 대상 물질이 아닌 것(예를 들어, 미지의 샘플이 다른 물질인 것, 미지의 샘플의 분광 측정이 부정확하게 수행된 것 등에 대응할 수 있는 것)으로 결정할 수 있다. 이 경우, 제어 장치는 정량화 모델을 사용하여 미지의 샘플이 정확하게 정량화될 수 없는 것을 보고함으로써, 이에 의해 미지의 샘플을 관심 대상 물질에서 성분의 특정 농도에 속하는 것으로 미지의 샘플이 오긍정 식별될 가능성을 감소시킬 수 있다.In this case, based on the control device determining that a reliability metric, such as a probability estimate, a decision value output of a support vector machine, etc., satisfies a threshold (eg, the standard deviation threshold described herein), the control device: It may be determined that the unknown sample is not the material of interest (eg, which may correspond to the unknown sample being a different material, spectroscopic measurements of the unknown sample being performed incorrectly, etc.). In this case, the control device uses the quantification model to report that the unknown sample cannot be accurately quantified, thereby reducing the possibility that the unknown sample will be falsely identified as belonging to a specific concentration of a component in the substance of interest. can be reduced
이러한 방식으로, 제어 장치는 미지의 샘플이 관심 대상 물질에서 성분의 특정 농도인 것으로 오긍정 식별되어 보고될 가능성을 감소시키는 것에 기초하여 다른 정량화 모델에 비해 향상된 정확도로 미지의 샘플에 분광을 수행할 수 있게 한다.In this way, the control device can perform spectroscopy on the unknown sample with improved accuracy compared to other quantification models based on reducing the likelihood that the unknown sample will be falsely identified and reported as being a particular concentration of a component in the substance of interest. let there be
상기한 바와 같이, 도 1a 및 도 1b는 단지 예시로서 제공된다. 다른 예도 가능하고 도 1a 및 도 1b와 관련하여 설명된 것과 다를 수 있다.As noted above, FIGS. 1A and 1B are provided by way of example only. Other examples are possible and may differ from that described with respect to FIGS. 1A and 1B .
도 2는 본 명세서에 설명된 시스템 및/또는 방법이 구현될 수 있는 예시적인 환경(200)을 나타내는 도면이다. 도 2에 도시된 바와 같이, 환경(200)은 제어 장치(210), 분광기(220) 및 네트워크(230)를 포함할 수 있다. 환경(200)의 장치는 유선 연결, 무선 연결, 또는 유선 연결과 무선 연결의 조합을 통해 상호 연결될 수 있다.2 is a diagram illustrating an
제어 장치(210)는 분광 정량화와 연관된 정보를 저장, 처리 및/또는 라우팅할 수 있는 하나 이상의 장치를 포함한다. 예를 들어, 제어 장치(210)는, 트레이닝 세트의 측정값의 세트에 기초하여 정량화 모델을 생성하고, 검증 세트의 측정값 세트에 기초하여 정량화 모델을 검증하고, 그리고/또는 미지의 샘플의 측정값 세트에 기초하여 분광 정량화를 수행하기 위해 정량화 모델을 이용하는, 서버, 컴퓨터, 웨어러블 장치, 클라우드 컴퓨팅 장치 등을 포함할 수 있다. 일부 구현예에서, 제어 장치(210)는 미지의 샘플의 분광 측정값이 본 명세서에 설명된 바와 같이 정량화 모델의 관심 대상 물질에 대응하지 않는 것으로 분류되어야 하는지 여부를 결정하기 위해 기계 학습 기술을 이용할 수 있다. 일부 구현예에서, 제어 장치(210)는 특정 분광기(220)와 연관될 수 있다. 일부 구현예에서, 제어 장치(210)는 다수의 분광기(220)와 연관될 수 있다. 일부 구현예에서, 제어 장치(210)는 분광기(220)와 같은, 환경(200) 내의 다른 장치로부터 정보를 수신하고/하거나 정보를 다른 장치로 전송할 수 있다.
분광기(220)는 샘플에 분광 측정을 수행할 수 있는 하나 이상의 장치를 포함한다. 예를 들어, 분광기(220)는 분광(진동 분광, 예를 들어, 근적외선(NIR) 분광, 중간 적외선 분광(mid-IR), 라만(Raman) 분광 등)을 수행하는 분광기 장치를 포함할 수 있다. 일부 구현예에서, 분광기(220)는 웨어러블 분광기 등과 같은 웨어러블 장치에 통합될 수 있다. 일부 구현예에서, 분광기(220)는 제어 장치(210)와 같은, 환경(200) 내의 다른 장치로부터 정보를 수신하고/하거나 정보를 다른 장치로 전송할 수 있다.
네트워크(230)는 하나 이상의 유선 네트워크 및/또는 무선 네트워크를 포함할 수 있다. 예를 들어, 네트워크(230)는 셀룰러 네트워크(예를 들어, LTE(long-term evolution) 네트워크, 3G 네트워크, 코드 분할 다중 액세스(CDMA) 네트워크 등), 공중 지상 모바일 네트워크(PLMN: public land mobile network), 근거리 네트워크(LAN), 광역 네트워크(WAN), 대도시 네트워크(MAN: Metropolitan Area Network), 전화망(예를 들어, 공중 교환 전화망(PSTN: Public Switched Telephone Network)), 사설 네트워크, 애드혹(ad hoc) 네트워크, 인트라넷, 인터넷, 광섬유-기반 네트워크, 클라우드 컴퓨팅 네트워크 등, 및/또는 이들 또는 다른 유형의 네트워크의 조합을 포함할 수 있다.Network 230 may include one or more wired and/or wireless networks. For example, network 230 may include a cellular network (eg, a long-term evolution (LTE) network, a 3G network, a code division multiple access (CDMA) network, etc.), a public land mobile network (PLMN), ), local area network (LAN), wide area network (WAN), metropolitan area network (MAN), telephone network (eg, Public Switched Telephone Network (PSTN)), private network, ad hoc ) networks, intranets, the Internet, fiber-based networks, cloud computing networks, etc., and/or combinations of these or other types of networks.
도 2에 도시된 장치 및 네트워크의 수 및 배열은 단지 일례로서 제공된다. 실제로, 도 2에 도시된 것에 비해 추가적인 장치 및/또는 네트워크, 더 적은 수의 장치 및/또는 네트워크, 상이한 장치 및/또는 네트워크, 또는 다르게 배열된 장치 및/또는 네트워크가 있을 수 있다. 또한, 도 2에 도시된 2개 이상의 장치는 단일 장치 내에 구현될 수 있고, 또는 도 2에 도시된 단일 장치는 다수의 분산된 장치로서 구현될 수 있다. 예를 들어, 제어 장치(210) 및 분광기(220)는 본 명세서에서 2개의 별개의 장치로서 설명되지만, 제어 장치(210) 및 분광기(220)는 단일 장치 내에 구현될 수 있다. 추가적으로 또는 대안적으로, 환경(200)의 장치 세트(예를 들어, 하나 이상의 장치)는 환경(200)의 또 다른 장치 세트에 의해 수행되는 것으로 설명된 하나 이상의 기능을 수행할 수 있다.The number and arrangement of devices and networks shown in FIG. 2 is provided as an example only. Indeed, there may be additional devices and/or networks, fewer devices and/or networks, different devices and/or networks, or differently arranged devices and/or networks than those shown in FIG. 2 . Also, two or more devices shown in FIG. 2 may be implemented in a single device, or a single device shown in FIG. 2 may be implemented as multiple distributed devices. For example, although
도 3은 장치(300)의 예시적인 구성 요소를 도시하는 도면이다. 장치(300)는 제어 장치(210) 및/또는 분광기(220)에 대응할 수 있다. 일부 구현예에서, 제어 장치(210) 및/또는 분광기(220)는 하나 이상의 장치(300) 및/또는 장치(300)의 하나 이상의 구성 요소를 포함할 수 있다. 도 3에 도시된 바와 같이, 장치(300)는 버스(310), 프로세서(320), 메모리(330), 저장 구성 요소(340), 입력 구성 요소(350), 출력 구성 요소(360) 및 통신 인터페이스(370)를 포함할 수 있다.3 is a diagram illustrating exemplary components of
버스(310)는 장치(300)의 구성 요소들 간의 통신을 허용하는 구성 요소를 포함한다. 프로세서(320)는 하드웨어, 펌웨어, 또는 하드웨어와 소프트웨어의 조합으로 구현된다. 프로세서(320)는 중앙 처리 장치(CPU), 그래픽 처리 장치(GPU), 가속 처리 장치(APU), 마이크로프로세서, 마이크로컨트롤러, 디지털 신호 프로세서(DSP), 전계 프로그래밍 가능 게이트 어레이(FPGA), 주문형 집적 회로(ASIC), 또는 다른 유형의 처리 구성 요소이다. 일부 구현예에서, 프로세서(320)는 기능을 수행하도록 프로그래밍될 수 있는 하나 이상의 프로세서를 포함한다. 메모리(330)는 프로세서(320)에 의한 사용을 위한 정보 및/또는 명령을 저장하는, 랜덤 액세스 메모리(RAM), 판독 전용 메모리(ROM), 및/또는 다른 유형의 동적 또는 정적 저장 장치(예를 들어, 플래시 메모리, 자기 메모리 및/또는 광학 메모리)를 포함한다.
저장 구성 요소(340)는 장치(300)의 동작 및 사용과 관련된 정보 및/또는 소프트웨어를 저장한다. 예를 들어, 저장 구성 요소(340)는 대응하는 드라이브와 함께 하드 디스크(예를 들어, 자기 디스크, 광학 디스크, 광자기 디스크 및/또는 솔리드-스테이트 디스크), 콤팩트 디스크(CD), 디지털 다용도 디스크(DVD: digital versatile disc), 플로피 디스크, 카트리지, 자기 테이프, 및/또는 다른 유형의 비-일시적인 컴퓨터 판독 가능 매체를 포함할 수 있다.The
입력 구성 요소(350)는 장치(300)가 예를 들어 사용자 입력(예를 들어, 터치 스크린 디스플레이, 키보드, 키패드, 마우스, 버튼, 스위치 및/또는 마이크로폰)을 통해 정보를 수신하는 것을 허용하는 구성 요소를 포함한다. 추가적으로 또는 대안적으로, 입력 구성 요소(350)는 정보(예를 들어, GPS(global positioning system) 구성 요소, 가속도계, 자이로스코프 및/또는 액추에이터)를 감지하기 위한 센서를 포함할 수 있다. 출력 구성 요소(360)는 장치(300)(예를 들어, 디스플레이, 스피커 및/또는 하나 이상의 발광 다이오드(LED))로부터의 출력 정보를 제공하는 구성 요소를 포함한다.
통신 인터페이스(370)는 장치(300)가 예를 들어 유선 연결, 무선 연결 또는 유선 연결과 무선 연결의 조합을 통해 다른 장치와 통신할 수 있게 하는 트랜시버형 구성 요소(예를 들어, 트랜시버 및/또는 별개의 수신기 및 송신기)를 포함한다. 통신 인터페이스(370)는 장치(300)가 다른 장치로부터 정보를 수신하고/하거나 다른 장치에 정보를 제공하게 할 수 있다. 예를 들어, 통신 인터페이스(370)는 이더넷 인터페이스, 광 인터페이스, 동축 인터페이스, 적외선 인터페이스, 무선 주파수(RF) 인터페이스, 범용 직렬 버스(USB) 인터페이스, 무선 근거리 네트워크 인터페이스, 셀룰러 네트워크 인터페이스 등을 포함할 수 있다.
장치(300)는 본 명세서에 설명된 하나 이상의 프로세스를 수행할 수 있다. 장치(300)는 메모리(330) 및/또는 저장 구성 요소(340)와 같은 비-일시적인 컴퓨터 판독 가능 매체에 의해 저장된 소프트웨어 명령을 실행하는 프로세서(320)에 기초하여 이들 프로세스를 수행할 수 있다. 컴퓨터 판독 가능 매체는 본 명세서에서 비-일시적인 메모리 장치로 정의된다. 메모리 장치는 단일 물리적 저장 장치 내의 메모리 공간을 포함하거나 또는 다수의 물리적 저장 장치에 걸쳐 분산된 메모리 공간을 포함한다.
소프트웨어 명령은 또 다른 컴퓨터 판독 가능 매체로부터 또는 통신 인터페이스(370)를 통해 다른 장치로부터 메모리(330) 및/또는 저장 구성 요소(340)로 판독될 수 있다. 실행 시, 메모리(330) 및/또는 저장 구성 요소(340)에 저장된 소프트웨어 명령은 프로세서(320)가 본 명세서에 설명된 하나 이상의 프로세스를 수행하게 할 수 있다. 추가적으로 또는 대안적으로, 본 명세서에서 설명된 하나 이상의 프로세스를 수행하기 위해 소프트웨어 명령 대신에 또는 소프트웨어 명령과 함께 하드와이어드 회로(hardwired circuitry)가 사용될 수 있다. 따라서, 본 명세서에 설명된 구현예는 하드웨어 회로 및 소프트웨어의 임의의 특정 조합으로 제한되지 않는다.Software instructions may be read into
도 3에 도시된 구성 요소의 수 및 배열은 일례로서 제공된다. 실제로, 장치(300)는 도 3에 도시된 것에 비해 추가적인 구성 요소, 보다 적은 수의 구성 요소, 상이한 구성 요소 또는 다르게 배열된 구성 요소를 포함할 수 있다. 추가적으로 또는 대안적으로, 장치(300)의 구성 요소 세트(예를 들어, 하나 이상의 구성 요소)는 장치(300)의 다른 구성 요소 세트에 의해 수행되는 것으로 설명된 하나 이상의 기능을 수행할 수 있다.The number and arrangement of components shown in FIG. 3 is provided as an example. Indeed,
도 4는 분광 정량화를 위한 정량화 모델을 생성하는 예시적인 프로세스(400)의 흐름도이다. 일부 구현예에서, 도 4의 하나 이상의 프로세스 블록은 제어 장치(210)에 의해 수행될 수 있다. 일부 구현예에서, 도 4의 하나 이상의 프로세스 블록은 분광기(220)와 같은, 제어 장치(210)와는 다르거나 또는 이 제어 장치를 포함하는 다른 장치 또는 장치 그룹에 의해 수행될 수 있다.4 is a flow diagram of an
도 4에 도시된 바와 같이, 프로세스(400)는 트레이닝 세트 및/또는 검증 세트에 일련의 분광 측정을 수행하는 단계를 포함할 수 있다(블록 410). 예를 들어, 제어 장치(210)는 분광기(220)가 (예를 들어, 프로세서(320), 통신 인터페이스(370) 등을 사용하여) 트레이닝 세트 및/또는 검증 세트의 각 샘플에 대한 스펙트럼을 결정하기 위해 샘플의 트레이닝 세트 및/또는 검증 세트에 일련의 분광 측정을 수행하게 할 수 있다. 트레이닝 세트는 성분에 대한 정량화 모델을 생성하는 데 이용되는, 성분의 농도의 세트를 갖는 하나 이상의 알려진 물질의 샘플 세트를 나타낼 수 있다. 유사하게, 검증 세트는 정량화 모델의 정확도를 검증하는 데 이용되는, 성분의 농도의 세트를 갖는 하나 이상의 알려진 물질의 샘플 세트를 나타낼 수 있다. 예를 들어, 트레이닝 세트 및/또는 검증 세트는 상이한 농도의 세트로 특정 물질의 하나 이상의 버전(예를 들어, 제조 상의 차이를 제어하기 위해 상이한 제조자에 의해 제조된 하나 이상의 버전)을 포함할 수 있다.As shown in FIG. 4 ,
일부 구현예에서, 트레이닝 세트 및/또는 검증 세트는 정량화 모델을 사용하여 분광 정량화가 수행될 예상 관심 대상 물질 세트에 기초하여 선택될 수 있다. 예를 들어, 의약 물질의 특정 성분의 농도를 결정하기 위해 의약 물질에 분광 정량화가 수행될 것으로 예상되는 경우, 트레이닝 세트 및/또는 검증 세트는 특정 성분이 존재하는지에 대해 테스트될 의약 물질의 세트에 상이한 가능한 농도의 세트로 특정 성분의 샘플의 세트를 포함할 수 있다.In some embodiments, the training set and/or validation set may be selected based on the expected set of substances of interest for which spectral quantification will be performed using the quantification model. For example, if spectral quantification is expected to be performed on a medicinal substance in order to determine the concentration of a particular component of the medicinal substance, the training set and/or validation set may be applied to the set of medicinal substances to be tested for the presence of the specific component. A set of samples of a particular component may be included in a set of different possible concentrations.
일부 구현예에서, 트레이닝 세트 및/또는 검증 세트는 물질의 각각의 농도에 대한 샘플의 특정 양을 포함하도록 선택될 수 있다. 예를 들어, 트레이닝 세트 및/또는 검증 세트는 특정 농도의 다수의 샘플(예를 들어, 5개의 샘플, 10개의 샘플, 15개의 샘플, 50개의 샘플 등)을 포함하도록 선택될 수 있다. 이러한 방식으로, 제어 장치(210)는 특정 유형의 물질과 연관된 스펙트럼의 임계량을 포함하여, (예를 들어, 성분의 특정 농도를 갖는 미지의 샘플에 기초하여) 미지의 샘플이 정확하게 할당될 수 있는 정량화 모델의 클래스(예를 들어, 성분의 특정 농도에 대응하는 샘플 그룹)를 생성 및/또는 검증할 수 있게 한다.In some embodiments, the training set and/or validation set may be selected to include a specific amount of sample for each concentration of the substance. For example, the training set and/or validation set may be selected to include multiple samples (eg, 5 samples, 10 samples, 15 samples, 50 samples, etc.) of a particular concentration. In this way, the
일부 구현예에서, 제어 장치(210)는 하나 이상의 물리적 조건을 설명하기 위해 다수의 분광기(220)가 일련의 분광 측정을 수행하게 할 수 있다. 예를 들어, 제어 장치(210)는 제1 분광기(220) 및 제2 분광기(220)가 NIR 분광법을 사용하여 일련의 진동 분광 측정을 수행하게 할 수 있다. 추가적으로 또는 대안적으로, 제어 장치(210)는 다수의 시간에, 다수의 위치에서, 다수의 상이한 실험 조건 하, 등에서 일련의 분광 측정을 수행하게 할 수 있다. 이러한 방식으로, 제어 장치(210)는 단일 분광기(220)에 의해 일련의 분광 측정을 수행하게 하는 것과 관련하여 물리적 조건의 결과로서 분광 측정이 부정확하게 될 가능성을 감소시킨다.In some implementations,
이러한 방식으로, 제어 장치(210)는 트레이닝 세트 및/또는 검증 세트에 일련의 분광 측정이 수행되게 한다.In this way, the
도 4에 더 도시된 바와 같이, 프로세스(400)는 분광 측정값 세트의 결과를 식별하는 정보를 수신하는 단계를 포함할 수 있다(블록 420). 예를 들어, 제어 장치(210)는 (예를 들어, 프로세서(320), 통신 인터페이스(370) 등을 사용하여) 분광 측정값 세트의 결과를 식별하는 정보를 수신할 수 있다. 일부 구현예에서, 제어 장치(210)는 트레이닝 세트 및/또는 검증 세트의 샘플에 대응하는 스펙트럼 세트를 식별하는 정보를 수신할 수 있다. 예를 들어, 제어 장치(210)는 분광기(220)가 트레이닝 세트에 분광을 수행할 때 관찰되는 특정 스펙트럼을 식별하는 정보를 수신할 수 있다. 일부 구현예에서, 제어 장치(210)는 트레이닝 세트 샘플 및 검증 세트 샘플의 스펙트럼을 식별하는 정보를 동시에 수신할 수 있다. 일부 구현예에서, 제어 장치(210)는 트레이닝 세트 샘플의 스펙트럼을 식별하는 정보를 수신할 수 있으며, 정량화 모델을 생성할 수 있으며, 정량화 모델의 테스트를 가능하게 하기 위해 정량화 모델을 생성한 후에 검증 세트 샘플의 스펙트럼을 식별하는 정보를 수신할 수 있다.As further shown in FIG. 4 ,
일부 구현예에서, 제어 장치(210)는 다수의 분광기(220)로부터 분광 측정값 세트의 결과를 식별하는 정보를 수신할 수 있다. 예를 들어, 제어 장치(210)는, 다수의 분광기(220)에 의해 수행된, 다수의 상이한 시간에서 수행된, 다수의 상이한 위치에서 수행된 및/또는 등에서 수행된 분광 측정값을 수신함으로써 다수의 분광기(220) 사이의 차이, 실험 조건에서의 가능한 차이 및/또는 등과 같은 물리적 조건을 제어할 수 있다.In some implementations, the
일부 구현예에서, 제어 장치(210)는 정량화 모델을 생성할 때 이용되는 것으로부터 하나 이상의 스펙트럼을 제거할 수 있다. 예를 들어, 제어 장치(210)는 분광 정량화를 수행할 수 있고, 정량화 모델이 정량화하도록 구성된 물질의 유형에 스펙트럼이 대응하지 않는다고 결정할 수 있으며, 스펙트럼에 대응하는 샘플이 의도치 않게 (예를 들어, 분광을 올바르게 수행할 때 사람의 에러, 트레이닝 세트의 스펙트럼을 식별하는 정보의 에러 등에 기초하여) 관심 대상이 아닌 물질이었다고 결정할 수 있다. 이 경우에, 제어 장치(210)는 트레이닝 세트로부터 스펙트럼을 제거할 것을 결정할 수 있다. 이러한 방식으로, 제어 장치(210)는 트레이닝 세트 또는 검증 세트에 관해 올바르지 않거나 부정확한 정보를 사용하여 정량화 모델이 생성될 가능성을 감소시킴으로써 정량화 모델의 정확도를 향상시킬 수 있다.In some implementations, the
이러한 방식으로, 제어 장치(210)는 분광 측정값 세트의 결과를 식별하는 정보를 수신한다.In this way, the
도 4에 더 도시된 바와 같이, 프로세스(400)는 분광 측정값 세트의 결과를 식별하는 정보에 기초하여 정량화 모델을 생성하는 단계(블록 430)를 포함할 수 있다. 예를 들어, 제어 장치(210)는 분광 측정값 세트의 결과를 식별하는 정보에 기초하여 (예를 들어, 프로세서(320), 메모리(330), 저장 구성 요소(340) 등을 사용하여) SVM 분류기 기술과 연관된 정량화 모델을 생성할 수 있다.As further shown in FIG. 4 ,
SVM은 패턴 인식을 수행하고 정량화를 위한 신뢰도 메트릭을 사용하는 감독 학습 모델을 지칭할 수 있다. 일부 구현예에서, 제어 장치(210)는 SVM 기술을 사용하여 정량화 모델을 생성할 때 2개 이상의 입력(예를 들어, 스펙트럼)의 유사성을 결정하기 위해 특정 유형의 커널 함수(kernel function)를 이용할 수 있다. 예를 들어, 제어 장치(210)는 스펙트럼 x 및 y에 대해 k(x,y) = exp(-||x-y||^2)로 표현될 수 있는 방사형 기저 함수(radial basis function; RBF)(예를 들어, SVM-rbf로 지칭됨) 유형의 커널 함수; k(x,y) = 〈x·y〉로 표현될 수 있는 (예를 들어, SVM-선형이라고 칭하고, 예를 들어, 다단계 결정 기술에 이용될 때, hier-SVM-선형이라고 칭하는) 선형 함수 유형의 커널 함수; 커널 함수의 시그모이드(sigmoid) 함수 유형; 다항식 함수 유형의 커널 함수; 지수 함수형 커널 함수 등을 이용할 수 있다. 일부 구현예에서, 제어 장치(210)는 단일 클래스 SVM(SC-SVM) 분류기 기술을 사용하여 정량화 모델을 생성할 수 있다. 예를 들어, 제어 장치(210)는 정량화 모델을 나타내는 단일 클래스를 생성하기 위해 트레이닝 세트 내 성분의 다수의 농도에 대응하는 다수의 클래스를 집계할 수 있다. 이 경우에, 제어 장치(210)는 본 명세서에 설명된 바와 같이, 미지의 샘플이 정량화 모델이 분석하도록 구성된 유형일 가능성을 결정하기 위해 신뢰도 메트릭을 이용할 수 있다.SVM may refer to a supervised learning model that performs pattern recognition and uses a confidence metric for quantification. In some implementations, the
일부 구현예에서, 제어 장치(210)는 확률 값 기반 SVM(예를 들어, 샘플이 (가능한 농도의) 클래스의 세트의 (농도의) 클래스의 멤버일 확률을 결정한 것에 기초한 결정), 판정값 기반 SVM(예를 들어, 클래스 세트의 클래스를 샘플이 멤버인 클래스인 것으로 투표하기 위해 판정 함수를 이용한 결정) 등과 같은 SVM의 특정 유형의 신뢰도 메트릭을 이용할 수 있다. 예를 들어, 판정값 기반 SVM으로 정량화 모델을 사용하는 동안, 제어 장치(210)는 미지의 샘플의 스펙트럼을 작도(plotting)한 것에 기초하여 미지의 샘플이 구성 성분 클래스(예를 들어, 미지의 샘플의 성분의 특정 양 또는 농도)의 경계 내에 위치되는지 여부를 결정할 수 있고, 미지의 샘플이 구성 성분 클래스의 경계 내에 위치되는지 여부에 기초하여 클래스에 샘플을 할당할 수 있다. 이러한 방식으로, 제어 장치(210)는 정량화를 위한 특정 클래스에 미지의 스펙트럼을 할당할지 여부를 결정할 수 있다.In some implementations, the
본 명세서에 설명된 일부 구현예는 기계 학습 기술의 특정 세트로 설명되지만, 물질 등의 분류와 같은 미지의 스펙트럼에 관한 정보를 결정하기 위한 다른 기술도 가능하다.Although some implementations described herein are described as a specific set of machine learning techniques, other techniques for determining information about an unknown spectrum are possible, such as classification of substances and the like.
일부 구현예에서, 제어 장치(210)는 일련의 정량화 기술로부터 정량화 모델을 생성하기 위해 이용될 특정 분류기를 선택할 수 있다. 예를 들어, 제어 장치(210)는 다수의 분류기에 대응하는 다수의 정량화 모델을 생성할 수 있고, 예를 들어, 각 모델의 전용 가능성(transferability)(예를 들어, 제1 분광기(220)에서 수행된 분광 측정값에 기초하여 생성된 정량화 모델이 제2 분광기(220)에서 수행된 분광 측정값에 적용될 때 정확한 정도), 대규모 결정 정확도(예를 들어, 임계 값을 만족시키는 샘플의 양에 대한 농도를 동시에 식별하기 위해 정량화 모델이 이용될 수 있는 정확도) 등을 결정하는 것에 의해 다수의 정량화 모델을 테스트할 수 있다. 이러한 경우, 제어 장치(210)는 분류기가 다른 분류기에 비해 우수한 전용 가능성 및/또는 대규모 결정 정확도와 연관된 것으로 결정한 것에 기초하여 SVM 분류기(예를 들어, hier-SVM 선형 분류기, SC-SVM 분류기 및/또는 등)와 같은 분류기를 선택할 수 있다.In some implementations, the
일부 구현예에서, 제어 장치(210)는 트레이닝 세트의 샘플을 식별하는 정보에 기초하여 정량화 모델을 생성할 수 있다. 예를 들어, 제어 장치(210)는 트레이닝 세트의 샘플에 의해 표현되는 물질의 유형 또는 농도를 식별하는 정보를 이용하여 물질의 유형 또는 농도를 갖는 스펙트럼 클래스를 식별할 수 있다. 일부 구현예에서, 제어 장치(210)는 정량화 모델을 생성할 때 정량화 모델을 트레이닝할 수 있다. 예를 들어, 제어 장치(210)는 정량화 모델이 분광 측정값 세트(예를 들어, 트레이닝 세트와 관련된 측정값)의 일부를 사용하여 트레이닝되게 할 수 있다. 추가적으로 또는 대안적으로, 제어 장치(210)는 정량화 모델의 평가를 수행할 수 있다. 예를 들어, 제어 장치(210)는 분광 측정값 세트의 다른 부분(예를 들어, 검증 세트)을 이용하여 (예를 들어, 예측 강도에 대해) 정량화 모델을 검증할 수 있다.In some implementations, the
일부 구현예에서, 제어 장치(210)는 다단계 결정 기술을 사용하여 정량화 모델을 검증할 수 있다. 예를 들어, 원-위치(in-situ) 국부 모델링 기반 정량화(local modeling based quantification)의 경우, 제어 장치(210)는 하나 이상의 국부 정량화 모델과 연관하여 이용될 때 정량화 모델이 정확하다고 결정할 수 있다. 이러한 방식으로, 제어 장치(210)는, 예를 들어, 제어 장치(210)에 의해, 다른 분광기(220)와 연관된 다른 제어 장치(210)에 의해, 및/또는 등에 의해 이용하기 위해 정량화 모델을 제공하기 전에 정량화 모델이 임계 정확도로 생성된 것을 보장한다.In some implementations, the
일부 구현예에서, 제어 장치(210)는 정량화 모델을 생성한 후에 다른 분광기(220)와 연관된 다른 제어 장치(210)에 정량화 모델을 제공할 수 있다. 예를 들어, 제1 제어 장치(210)는 정량화 모델을 생성할 수 있고, 이용을 위해 제2 제어 장치(210)에 정량화 모델을 제공할 수 있다. 이러한 경우, 원-위치 국부 모델링 기반 정량화의 경우, 제2 제어 장치(210)는 정량화 모델(예를 들어, 전역 정량화 모델(global quantification model))을 저장할 수 있고, 미지의 세트의 하나 이상의 샘플에서 물질의 성분의 농도를 결정하기 위해 하나 이상의 원-위치 국부 정량화 모델을 생성할 때 정량화 모델을 이용할 수 있다. 추가적으로 또는 대안적으로, 제어 장치(210)는, 정량화를 수행할 때, (예를 들어, 원-위치 국부 모델링 기반 정량화의 경우) 하나 이상의 국부 정량화 모델을 생성할 때 등에서, 제어 장치(210)에 의해 이용하기 위해 정량화 모델을 저장할 수 있다. 이러한 방식으로, 제어 장치(210)는 미지의 샘플의 분광 정량화에 이용하기 위해 정량화 모델을 제공한다.In some implementations, the
이러한 방식으로, 제어 장치(210)는 분광 측정값 세트의 결과를 식별하는 정보에 기초하여 정량화 모델을 생성한다.In this way, the
도 4는 프로세스(400)의 예시적인 블록을 도시하지만, 일부 구현예에서, 프로세스(400)는 도 4에 도시된 것에 비해 추가적인 블록, 더 적은 수의 블록, 다른 블록, 또는 다르게 배열된 블록을 포함할 수 있다. 추가적으로 또는 대안적으로, 프로세스(400)의 블록 중 2개 이상의 블록은 병렬로 수행될 수 있다.Although FIG. 4 shows exemplary blocks of
도 5는 도 4에 도시된 예시적인 프로세스(400)에 관한 예시적인 구현예(500)를 도시하는 도면이다. 도 5는 정량화 모델을 생성하는 일례를 도시한다.FIG. 5 is a diagram illustrating an
도 5에 및 참조 번호(505)로 도시된 바와 같이, 제어 장치(210-1)는 분광기(220-1)에 정보를 전송하여 분광기(220-1)가 트레이닝 세트 및 검증 세트(510)에 일련의 분광 측정을 수행하게 명령한다. 트레이닝 세트 및 검증 세트(510)는 트레이닝 샘플의 제1 세트(예를 들어, 트레이닝 샘플의 측정값은 정량화 모델을 트레이닝하는데 이용된다) 및 검증 샘플의 제2 세트(예를 들어, 검증 샘플의 측정값은 정량화 모델의 정확도를 검증하는데 이용된다)를 포함한다고 가정한다. 참조 번호(515)로 도시된 바와 같이, 분광기(220-1)는 명령을 수신한 것에 기초하여 일련의 분광 측정을 수행한다. 참조 번호(520)로 도시된 바와 같이, 제어 장치(210-1)는 트레이닝 샘플의 스펙트럼의 제1 세트 및 검증 샘플의 스펙트럼의 제2 세트를 수신한다. 이러한 경우, 트레이닝 샘플과 검증 샘플은 정량화를 위해 관심 대상 물질 그룹에서 성분의 다수의 농도의 샘플을 포함할 수 있다. 예를 들어, 제어 장치(210-1)는 전역 모델 및 (국부 분류 모델 또는 정량화 모델과 같은 국부 모델을 생성하기 위해) 원-위치 국부 모델링 기술을 사용하여 고기의 유형을 식별하기 위해 전역 모델(예를 들어, 전역 분류 모델 또는 정량화 모델)을 생성하고, 고기의 유형에서 특정 단백질의 농도를 정량화한 것에 관한 스펙트럼을 수신할 수 있다. 이러한 경우, 제어 장치(210-1)는 다수의 국부 정량화 모델(예를 들어, 원-위치 국부 모델링을 사용하여 식별된 제1 유형의 고기에서 특정 단백질의 농도를 결정하기 위한 제1 정량화 모델, 원-위치 국부 모델링을 사용하여 식별된 제2 유형의 고기에서 특정 단백질의 농도를 결정하기 위한 제2 정량화 모델 등)을 생성하도록 구성될 수 있다. 제어 장치(210-1)는 트레이닝 세트 및 검증 세트(510)의 각 샘플을 식별하는 정보를 저장한다고 가정한다.As shown in FIG. 5 and by
도 5와 관련하여, 제어 장치(210-1)는 분류 모델을 생성하기 위해 hier-SVM 선형 분류기를 이용하고 다수의 정량화 모델을 위해 SC-SVM 분류기를 이용할 것을 선택한 것으로 가정한다. 참조 번호(525)로 도시된 바와 같이, 제어 장치(210-1)는 hier-SVM 선형 분류기 및 제1 세트의 스펙트럼을 사용하여 전역 분류 모델을 트레이닝하고, hier-SVM 선형 분류기 및 제2 세트의 스펙트럼을 사용하여 전역 분류 모델을 확인한다. 또한, 제어 장치(210-1)는 다수의 국부 정량화 모델(예를 들어, 전역 분류 모델의 각 클래스 및/또는 전역 분류 모델에 기초하여 생성된 국부 분류 모델의 각 클래스에 대응하는 국부 정량화 모델)을 트레이닝하고 확인한다. 제어 장치(210-1)는 정량화 모델이 검증 임계값을 만족하는 것으로 (예를 들어, 검증 임계 값을 초과하는 정확도를 갖는 것으로) 결정하는 것으로 가정한다. 참조 번호(530)로 도시된 바와 같이, 제어 장치(210-1)는 (예를 들어, 분광기(220-2)에 의해 수행된 분광 측정값에 정량화를 수행할 때 이용하기 위해) 제어 장치(210-2)에 정량화 모델을 제공하고 (예를 들어, 분광기(220-3)에 의해 수행된 분광 측정값에 정량화를 수행할 때 이용하기 위해) 제어 장치(210-3)에 정량화 모델을 제공한다.5 , it is assumed that the control device 210-1 selects to use a hier-SVM linear classifier to generate a classification model and to use an SC-SVM classifier for a plurality of quantification models. As shown by
전술한 바와 같이, 도 5는 단지 예시로서 제공된다. 다른 예도 가능하고, 도 5와 관련하여 설명된 것과 다를 수 있다.As mentioned above, FIG. 5 is provided by way of example only. Other examples are possible and may differ from that described with respect to FIG. 5 .
이러한 방식으로, 제어 장치(210)는 선택된 (예를 들어, 모델의 전용 가능성, 대규모 정량화 정확도 등에 기초하여 선택된) 분류 기술에 기초하여 정량화 모델을 생성하고 하나 이상의 분광기(220)와 연관된 하나 이상의 다른 제어 장치(210)에 의해 이용하기 위해 정량화 모델을 분배하는 것을 가능하게 한다. In this way, the
도 6은 원재료를 정량화하는 동안 오긍정 식별을 회피하기 위한 예시적인 프로세스(600)의 흐름도이다. 일부 구현예에서, 도 6의 하나 이상의 프로세스 블록은 제어 장치(210)에 의해 수행될 수 있다. 일부 구현예에서, 도 6의 하나 이상의 프로세스 블록은 분광기(220)와 같은, 제어 장치(210)와는 다르거나 또는 이 제어 장치를 포함하는 다른 장치 또는 장치 그룹에 의해 수행될 수 있다.6 is a flow diagram of an
도 6에 도시된 바와 같이, 프로세스(600)는 미지의 샘플에 수행된 분광 측정값 세트의 결과를 식별하는 정보를 수신하는 단계를 포함할 수 있다(블록 610). 예를 들어, 제어 장치(210)는 (예를 들어, 프로세서(320), 통신 인터페이스(370) 등을 사용하여) 미지의 샘플에 수행된 NIR 분광 측정값 세트의 결과를 식별하는 정보를 수신할 수 있다. 일부 구현예에서, 제어 장치(210)는 미지의 세트(예를 들어, 다수의 샘플)에 분광 측정값 세트의 결과를 식별하는 정보를 수신할 수 있다. 미지의 세트는 결정(예를 들어, 분광 정량화)이 수행될 샘플(예를 들어, 미지의 샘플) 세트를 포함할 수 있다. 예를 들어, 제어 장치(210)는 분광기(220)가 미지의 샘플의 세트에 일련의 분광 측정을 수행하게 할 수 있으며, 미지의 샘플의 세트에 대응하는 스펙트럼 세트를 식별하는 정보를 수신할 수 있다.As shown in FIG. 6 ,
일부 구현예에서, 제어 장치(210)는 다수의 분광기(220)로부터의 결과를 식별하는 정보를 수신할 수 있다. 예를 들어, 제어 장치(210)는 다수의 분광기(220)가 미지의 세트(예를 들어, 동일한 샘플 세트)에 일련의 분광 측정을 수행하게 할 수 있고, 미지의 세트의 샘플에 대응하는 스펙트럼 세트를 식별하는 정보를 수신할 수 있다. 추가적으로 또는 대안적으로, 제어 장치(210)는 다수의 시간에, 다수의 위치에서, 및/또는 등에서 수행된 분광 측정값 세트의 결과를 식별하는 정보를 수신할 수 있고, 다수의 시간에, 다수의 위치에서, 및/또는 등에서 수행된 분광 측정값의 세트에 기초하여 (예를 들어, 분광 측정값의 세트를 평균낸 것에 기초하여 또는 다른 기술에 기초하여) 특정 샘플을 정량화할 수 있다. 이러한 방식으로, 제어 장치(210)는 분광 측정값 세트의 결과에 영향을 미칠 수 있는 물리적 조건을 설명할 수 있다.In some implementations,
추가적으로 또는 대안적으로, 제어 장치(210)는 제1 분광기(220)가 미지의 세트의 제1 부분에 분광 측정값 세트의 제1 부분을 수행하게 할 수 있고, 제2 분광기(220)가 미지의 세트의 제2 부분에 분광 측정값 세트의 제2 부분을 수행하게 할 수 있다. 이러한 방식으로, 제어 장치(210)는 모든 분광 측정을 단일 분광기(220)에 의해 수행하게 하는 것과 관련하여 일련의 분광 측정을 수행하는데 드는 시간의 양을 감소시킬 수 있다.Additionally or alternatively, the
이러한 방식으로, 제어 장치(210)는 미지의 샘플에 수행된 분광 측정값 세트의 결과를 식별하는 정보를 수신한다.In this way, the
도 6에 더 도시된 바와 같이, 프로세스(600)는 미지의 샘플이 정량화 모델에 대응하는지 여부를 결정하는 단계(블록 620)를 포함할 수 있다. 예를 들어, 제어 장치(210)는 (예를 들어, 프로세서(320), 메모리(330), 저장 구성 요소(340) 등을 사용하여) 미지의 샘플이 정량화 모델이 정량화하도록 구성된 물질인지 여부 및/또는 미지의 샘플이 정량화 모델이 정량화하도록 구성된 성분을 물질 내에 포함하는지 여부를 결정하려고 시도할 수 있다.As further shown in FIG. 6 ,
일부 구현예에서, 제어 장치(210)는 SC-SVM 분류기 기술을 사용하여 미지의 스펙트럼이 정량화 모델에 대응하는지 여부를 결정할 수 있다. 예를 들어, 제어 장치(210)는 SC-SVM 기술을 사용하기 위해 구성 가능한 파라미터 값(nu)을 결정할 수 있다. 파라미터 값은 SC-SVM 기술의 판정 경계 내에 있지 않은 것으로 결정된 트레이닝 세트 샘플에 대해 이 판정 경계 내에 있는 것으로 결정된 트레이닝 세트 샘플의 비율에 대응할 수 있다. 일부 구현예에서, 제어 장치(210)는 파라미터 값에 기초하여 판정 경계를 결정할 수 있다. 일부 구현예에서, 제어 장치(210)는 교차 검증 절차를 사용하여 다수의 가능한 판정 경계를 설정할 수 있고, (예를 들어, 평균화를 통해) 다수의 가능한 판정 경계를 사용한 결과를 결합하여 미지의 스펙트럼이 정량화 모델에 대응하는지 여부를 결정할 수 있다.In some implementations, the
일부 구현예에서, 파라미터 값(예를 들어, 트레이닝 세트의 측정값의 절반이 판정 경계 내에 위치되고 트레이닝 세트의 측정값의 절반이 판정 경계 외부에 위치되도록 판정값을 설정하는 0.5의 파라미터 값)을 만족시키도록 판정 경계를 설정한 것에 기초하여, 제어 장치(210)는 측정값으로부터 판정 경계까지의 거리 메트릭에 대응할 수 있는 판정값을 결정할 수 있다. 예를 들어, 제어 장치(210)는 미지의 샘플의 스펙트럼의 축들의 세트 상에서 위치를 결정할 수 있고, 이 위치와 판정 경계의 가장 가까운 점 사이의 거리를 결정할 수 있다. 본 명세서에 설명된 일부 구현예는 그래프 또는 축들의 세트로 설명되지만, 본 명세서에 설명된 구현예는 예를 들어 미지의 스펙트럼과 관련된 데이터의 다른 표현을 이용하여 그래프 또는 축들의 세트를 사용하지 않고 결정될 수 있다.In some implementations, a parameter value (e.g., a parameter value of 0.5 that sets a decision such that half of the measurements of the training set are located within the decision boundary and half of the measurements of the training set are located outside the decision boundary) Based on the setting of the determination boundary to be satisfied, the
일부 구현예에서, 제어 장치(210)는 미지의 스펙트럼의 판정값을 결정할 수 있다. 예를 들어, 제어 장치(210)는 미지의 스펙트럼으로부터 판정 경계까지의 거리를 결정할 수 있다. 일부 구현예에서, 제어 장치(210)는 판정 경계 외부에 위치된 다른 측정값의 판정값을 결정할 수 있다. 이러한 경우, 제어 장치(210)는 판정 경계 외부의 다른 측정값의 판정값에 대해 미지의 스펙트럼의 판정값의 표준 편차의 양을 나타내기 위해 통계적 메트릭을 결정할 수 있다. 예를 들어, 제어 장치(210)는 로그-정규 분포(log-normal distribution)에 기초하여 로그-정규 표준 편차(log-normal standard deviation)를 결정할 수 있고, 표준 편차가 임계값(예를 들어, 1개의 표준 편차, 2개의 표준 편차, 3개의 표준 편차 등)을 만족시키는지 여부를 결정할 수 있다. 이러한 경우, 미지의 샘플의 스펙트럼의 측정값이 판정 경계 외부의 다른 측정값에 대해 판정 경계로부터의 표준 편차의 임계량(예를 들어, 판정 경계로부터의 3개의 표준 편차)보다 더 큰 것에 기초하여, 제어 장치(210)는 미지의 샘플이 정량화 모델에 대응하지 않는다고 결정할 수 있다(블록 620 - 아니오). 대안적으로, 측정값이 판정 경계로부터의 임계량 표준 편차보다 더 적은 것에 기초하여, 제어 장치(210)는 미지의 샘플이 정량화 모델에 대응한다고 결정할 수 있다(블록 620 - 예). 본 명세서는 특정 통계 기술 및/또는 표준 편차의 특정 임계량으로 설명되지만, 다른 통계 기술 및/또는 임계값이 사용될 수 있다.In some implementations, the
이러한 방식으로, 제어 장치(210)는 미지의 샘플과 유사한 (예를 들어, 또한 관심 대상 물질의 트레이닝 세트 샘플로부터 임계량만큼 상이한) 샘플을 사용하여 정량화 모델을 트레이닝함이 없이 정량화 모델로부터 임계량만큼 상이한 미지의 스펙트럼을 식별할 수 있게 한다. 또한, 제어 장치(210)는 정량화 모델을 생성하기 위해 수집될 샘플의 양을 감소시킴으로써, 이에 의해 관심 대상 물질 및/또는 그 농도로부터 임계량만큼 상이한 샘플을 정확히 식별하는 것을 보장하기 위해 다른 샘플을 획득, 저장 및 처리하는 것에 대해 비용, 시간, 및 컴퓨팅 자원 이용(예를 들어, 처리 자원 및 메모리 자원)을 절감한다.In this way, the
이러한 방식으로, 제어 장치(210)는 미지의 샘플이 정량화 모델에 대응하는지 여부를 결정한다.In this way, the
도 6에 더 도시된 바와 같이, 미지의 샘플이 정량화 모델에 대응하는 것으로 결정한 것(블록 620 - 예)에 기초하여 프로세스(600)는 분광 측정값 세트의 결과에 기초하여 하나 이상의 분광 결정을 수행하는 단계를 포함할 수 있다(블록 630). 예를 들어, 제어 장치(210)는 분광 측정값 세트의 결과에 기초하여 (예를 들어, 프로세서(320), 메모리(330), 저장 구성 요소(340) 등을 사용하여) 하나 이상의 분광 결정을 수행할 수 있다. 일부 구현예에서, 제어 장치(210)는 미지의 샘플을 (예를 들어, 관심 대상 물질에서 성분의 농도의 세트의 특정 농도를 나타내는) 특정 클래스에 할당할 수 있다.6 , based on determining that the unknown sample corresponds to the quantification model (block 620 - Yes),
일부 구현예에서, 제어 장치(210)는 신뢰도 메트릭에 기초하여 특정 샘플을 할당할 수 있다. 예를 들어, 제어 장치(210)는, 정량화 모델에 기초하여, 특정 스펙트럼이 정량화 모델의 각 클래스(예를 들어, 각 후보 농도)와 연관될 확률을 결정할 수 있다. 이러한 경우, 제어 장치(210)는 클래스의 특정 확률이 클래스와 연관된 다른 확률을 초과하는 것에 기초하여 미지의 샘플을 클래스(예를 들어, 특정 농도)에 할당할 수 있다. 이러한 방식으로, 제어 장치(210)는 샘플이 연관된 관심 대상 물질에서 성분의 농도를 결정함으로써, 샘플을 정량화한다.In some implementations, the
일부 구현예에서, 예를 들어, 정량화 모델이 클래스의 임계량을 초과하는 경우 원-위치 국부 모델링을 수행하기 위해, 제어 장치(210)는 제1 결정에 기초하여 국부 정량화 모델을 생성할 수 있다. 국부 정량화 모델은 제1 결정과 연관된 신뢰도 메트릭에 기초하여 SVM 결정 기술(예를 들어, SVM-rbf, SVM-선형 등의 커널 함수; 확률 값 기반 SVM, 판정값 기반 SVM 등)을 사용하여 생성된 원-위치 정량화 모델을 지칭할 수 있다.In some implementations, for example, to perform in-situ local modeling when the quantification model exceeds a threshold amount of a class, the
일부 구현예에서, 제어 장치(210)는 전역 분류 모델을 사용하여 제1 결정을 수행한 것에 기초하여 국부 정량화 모델을 생성할 수 있다. 예를 들어, 제어 장치(210)가 미지의 샘플에서 성분의 농도를 결정하는데 이용되고, 다수의 미지의 샘플이 성분의 농도를 결정하기 위해 상이한 정량화 모델과 연관된 경우, 제어 장치(210)는 제1 결정을 이용하여 미지의 샘플의 국부 클래스로서 클래스의 서브세트를 생성하고, 미지의 샘플의 국부 클래스와 연관된 국부 정량화 모델을 생성할 수 있다. 이러한 방식으로, 제어 장치(210)는 분광 분류를 향상시키기 위해 계층적 결정 및 정량화 모델을 이용한다. 이러한 경우, 제어 장치(210)는 국부 정량화 모델의 다른 측정값의 서브세트에 대해 미지의 샘플의 거리 메트릭을 결정한 것에 기초하여 미지의 샘플이 국부 정량화 모델에 대응하는지 여부를 결정할 수 있다.In some implementations, the
일례로서, 식물(plant) 물질이 다수의 정량화 모델과 연관이 있는 (예를 들어, 식물이 실내에서 재배되는지 또는 실외에서 재배되는지, 겨울철에 재배되는지 또는 여름철에 재배되는지 등 여부와 관련하여) 식물 물질에서 특정 화학 물질의 농도를 결정하기 위해 원재료의 식별을 수행하는 경우, 제어 장치(210)는 일련의 분류 결정을 수행하여 특정 정량화 모델을 식별할 수 있다. 이러한 경우, 제어 장치(210)는 일련의 결정을 수행한 것에 기초하여 식물이 겨울철에 실내에서 자라고 있다고 결정하고, 특정 화학 물질의 농도를 결정하기 위해 식물이 겨울철에 실내에서 자라고 있는 것과 관련한 정량화 모델을 선택할 수 있다. 정량화 모델을 선택한 것에 기초하여, 제어 장치(210)는 미지의 샘플이 정량화 모델에 대응한다고 결정할 수 있고, 정량화 모델을 사용하여 미지의 샘플을 정량화할 수 있다.As an example, a plant for which a plant material is associated with multiple quantification models (eg, with respect to whether the plant is grown indoors or outdoors, whether it is grown in winter or in summer, etc.) When identification of a raw material is performed to determine the concentration of a specific chemical in a substance, the
일부 구현예에서, 제어 장치(210)는 정량화 모델을 사용하여 미지의 샘플을 정량화하지 못할 수 있다. 예를 들어, 임계값을 만족시키지 못하는 하나 이상의 판정값 또는 다른 신뢰도 메트릭에 기초하여, 제어 장치(210)는 미지의 샘플이 정량화 모델을 사용하여 정확하게 정량화될 수 없다고 결정할 수 있다(블록 630 - A). 대안적으로, 제어 장치(210)는 하나 이상의 판정값 또는 다른 신뢰도 메트릭이 임계 값을 만족하는 것에 기초하여 미지의 샘플을 성공적으로 정량화할 수 있다(블록 630 - B).In some embodiments, the
이러한 방식으로, 제어 장치(210)는 분광 측정값 세트의 결과에 기초하여 하나 이상의 분광 결정을 수행한다.In this way, the
도 6에 더 도시된 바와 같이, 미지의 샘플이 정량화 모델에 대응하지 않는 것으로 결정한 것에 기초하여(블록 620 - 아니오) 또는 하나 이상의 분광 결정을 수행할 때 실패 결정한 것에 기초하여(블록 630 - A), 프로세스(600)는 미지의 샘플이 정량화 모델에 대응하지 않는 것을 나타내는 출력을 제공하는 단계를 포함할 수 있다(블록 640). 예를 들어, 제어 장치(210)는 (예를 들어, 프로세서(320), 메모리(330), 저장 구성 요소(340), 통신 인터페이스(370) 등을 사용하여) 예를 들어 사용자 인터페이스를 통해 미지의 샘플이 정량화 모델에 대응하지 않는 것을 나타내는 정보를 제공할 수 있다. 일부 구현예에서, 제어 장치(210)는 미지의 샘플을 식별하는 것과 연관된 정보를 제공할 수 있다. 예를 들어, 특정 식물에서 특정 화학 물질의 양을 정량화하는 시도에 기초하여, 및 미지의 샘플이 특정 식물이 아니라고 (그러나 대신 예를 들어 인간의 에러에 기초하여 다른 식물이라고) 결정한 것에 기초하여, 제어 장치(210)는 다른 식물을 식별하는 정보를 제공할 수 있다. 일부 구현예에서, 제어 장치(210)는 또 다른 정량화 모델을 획득할 수 있고, 미지의 샘플이 정량화 모델에 대응하지 않는 것으로 결정한 것에 기초하여 미지의 샘플을 식별하기 위해 다른 정량화 모델을 사용할 수 있다.As further shown in FIG. 6 , based on determining that the unknown sample does not correspond to the quantification model (block 620 - No) or based on determining a failure when performing one or more spectroscopic determinations (block 630 - A) ,
이러한 방식으로, 제어 장치(210)는 미지의 샘플의 오긍정 식별에 기초하여 부정확한 정보를 제공할 가능성을 감소시키고, 미지의 샘플이 예를 들어 특정 식물이 아닌 다른 식물인 것으로 결정하는 데 도움이 되는 정보를 제공함으로써 기술자에 의해 에러를 정정할 수 있게 한다.In this way, the
이러한 방식으로, 제어 장치(210)는 미지의 샘플이 정량화 모델에 대응하지 않는 것을 나타내는 출력을 제공한다.In this way, the
도 6에 더 도시된 바와 같이, 하나 이상의 분광 결정을 수행할 때 분류 성공(블록 630 - B)에 기초하여, 프로세스(600)는 미지의 샘플에 관한 분류를 식별하는 정보를 제공하는 단계(블록 650)를 포함할 수 있다. 예를 들어, 제어 장치(210)는 (예를 들어, 프로세서(320), 메모리(330), 저장 구성 요소(340), 통신 인터페이스(370) 등을 사용하여) 미지의 샘플에 관한 정량화를 식별하는 정보를 제공할 수 있다. 일부 구현예에서, 제어 장치(210)는 미지의 샘플의 특정 클래스를 식별하는 정보를 제공할 수 있다. 예를 들어, 제어 장치(210)는 미지의 샘플과 연관된 특정 스펙트럼이 관심 대상 물질에서 성분의 특정 농도에 대응하는 특정 클래스와 연관된 것으로 결정된 것을 나타내는 정보를 제공함으로써 미지의 샘플을 식별할 수 있다.6 , based on the classification success (block 630-B) when performing one or more spectral determinations,
일부 구현예에서, 제어 장치(210)는 미지의 샘플을 특정 클래스에 할당하는 것과 연관된 신뢰도 메트릭을 나타내는 정보를 제공할 수 있다. 예를 들어, 제어 장치(210)는 미지의 샘플이 특정 클래스 등과 연관될 확률을 식별하는 정보를 제공할 수 있다. 이러한 방식으로, 제어 장치(210)는 특정 스펙트럼이 특정 클래스에 정확히 할당된 가능성을 나타내는 정보를 제공한다.In some implementations, the
일부 구현예에서, 제어 장치(210)는 일련의 분류를 수행한 것에 기초하여 정량화를 제공할 수 있다. 예를 들어, 미지의 샘플의 클래스와 관련된 국부 정량화 모델을 식별한 것에 기초하여, 제어 장치(210)는 미지의 샘플에서 물질종의 농도를 식별하는 정보를 제공할 수 있다. 일부 구현예에서, 제어 장치(210)는 일련의 정량화를 수행한 것에 기초하여 정량화 모델을 업데이트할 수 있다. 예를 들어, 제어 장치(210)는 미지의 샘플을 관심 대상 물질에서 성분의 특정 농도로 정량화 결정한 것에 기초하여 미지의 샘플을 포함하는 새로운 정량화 모델을 트레이닝 세트의 샘플로서 생성할 수 있다.In some implementations, the
이러한 방식으로, 제어 장치(210)는 미지의 샘플을 식별하는 정보를 제공한다.In this way, the
도 6은 프로세스(600)의 예시적인 블록을 도시하지만, 일부 구현예에서, 프로세스(600)는 도 6에 도시된 것에 비해 추가적인 블록, 더 적은 수의 블록, 다른 블록, 또는 다르게 배열된 블록을 포함할 수 있다. 추가적으로 또는 대안적으로, 프로세스(600)의 블록들 중 2개 이상은 병렬로 수행될 수 있다.Although FIG. 6 shows exemplary blocks of
도 7a 및 도 7b는 도 6에 도시된 예시적인 프로세스(600)와 연관된 예측 성공률에 관한 예시적인 구현예(700)를 나타내는 도면이다. 도 7a 및 도 7b는 계층적 지원 벡터 머신(hier-SVM-선형) 기반 기술을 사용하여 원재료를 식별한 예시적인 결과를 도시한다.7A and 7B are diagrams illustrating an
도 7a에 및 참조 번호(705)로 도시된 바와 같이, 제어 장치(210)는 분광기(220)가 일련의 분광 측정을 수행하게 할 수 있다. 예를 들어, 제어 장치(210)는 분광기(220)가 미지의 샘플에서 성분의 농도를 결정하기 위해 미지의 샘플의 스펙트럼을 획득하게 하는 명령을 제공할 수 있다. 참조 번호(710) 및 참조 번호(715)로 도시된 바와 같이, 분광기(220)는 미지의 샘플을 수령할 수 있고, 미지의 샘플에 일련의 분광 측정을 수행할 수 있다. 참조 번호(720)로 도시된 바와 같이, 제어 장치(210)는 미지의 샘플에 일련의 분광 측정을 수행한 미지의 샘플 기반 분광기(220)의 스펙트럼을 수신할 수 있다.As shown in FIG. 7A and
도 7b에 도시된 바와 같이, 제어 장치(210)는 정량화 모델(725)을 사용하여 분광 정량화를 수행할 수 있다. 정량화 모델(725)은, 단일 클래스(730)의 판정 경계가 판정 경계 내에 있지 않은 트레이닝 세트의 샘플에 대해 판정 경계 내에 있는 트레이닝 세트의 샘플의 임계 비율을 초래하도록, 파라미터 값(nu)에 기초하여 결정된 단일 클래스(730)를 포함한다. 이러한 경우, 정량화 모델(725)은 트레이닝 세트의 샘플에서 성분의 다수의 상이한 농도에 대응하는 다수의 서브-클래스와 연관될 수 있다. 참조 번호(735) 및 참조 번호(740)로 도시된 바와 같이, 미지의 샘플의 스펙트럼은 임계값(예를 들어, 3)을 만족시키는 판정 경계까지의 샘플의 거리에 대한 표준 편차 값(예를 들어, σ = 3.2)에 기초한 정량화 모델에 대응하지 않는 것으로 결정된다. 참조 번호(745)로 도시된 바와 같이, 제어 장치(210)는, 미지의 샘플의 오긍정 식별을 관심 대상 물질에서 성분의 특정 농도로 제공하는 것이 아니라, 미지의 샘플이 정량화 모델에 대응하지 않는 것을 나타내는 출력을 클라이언트 장치(750)에 제공한다.As shown in FIG. 7B , the
전술한 바와 같이, 도 7a 및 도 7b는 단지 예시로서 제공된다. 다른 예도 가능하고 도 7a 및 도 7b와 관련하여 설명된 것과 다를 수 있다. As mentioned above, FIGS. 7A and 7B are provided by way of example only. Other examples are possible and may differ from that described with respect to FIGS. 7A and 7B .
이러한 방식으로, 제어 장치(210)는 정량화 모델이 식별하도록 트레이닝된 관심 대상 물질에서 미지의 샘플을 성분의 특정 농도인 것으로 오긍정 식별할 가능성을 피하는 것에 기초하여 부정확한 분광 결과를 제공할 가능성을 감소시킨다.In this way, the
전술한 내용은 예시 및 설명을 제공하지만, 개시된 정확한 형태로 구현을 제한하거나 모든 실시예를 전부 제시하려고 의도된 것은 아니다. 변경 및 변형은 상기 내용에 비추어 가능하거나, 구현을 실시하는 것으로부터 얻어질 수 있을 것이다.The foregoing provides illustration and description, but is not intended to be exhaustive or to limit implementation to the precise form disclosed. Changes and modifications are possible in light of the above or may be acquired from practice of implementation.
일부 구현예는 임계값과 관련하여 본 명세서에 설명된다. 본 명세서에 사용된 바와 같이, 임계값을 만족한다는 것은 값이 임계값보다 더 크거나, 임계값보다 더 많거나, 임계값보다 더 높거나, 임계값 이상이거나, 임계값보다 더 적거나, 임계값보다 더 작거나, 임계값보다 더 낮거나, 임계값 이하이거나, 임계값과 같은 것을 나타낼 수 있다.Some implementations are described herein with respect to thresholds. As used herein, satisfying a threshold means that a value is greater than a threshold, greater than a threshold, greater than a threshold, greater than or equal to a threshold, less than a threshold, or less than a value, less than a threshold, below a threshold, or equal to a threshold.
본 명세서에 설명된 시스템 및/또는 방법은 여러 형태의 하드웨어, 펌웨어, 또는 하드웨어와 소프트웨어의 조합으로 구현될 수 있다는 것은 자명하다. 이러한 시스템 및/또는 방법을 구현하는 데 사용되는 실제 전문 제어 하드웨어 또는 소프트웨어 코드는 본 발명을 구현하는 것을 제한하는 것이 아니다. 따라서, 시스템 및/또는 방법의 동작 및 거동은 특정 소프트웨어 코드를 참조하지 않고 본 명세서에서 설명되었으며, 여기서 소프트웨어 및 하드웨어는 본 명세서의 설명에 기초하여 시스템 및/또는 방법을 구현하도록 설계될 수 있는 것으로 이해된다.It should be understood that the systems and/or methods described herein may be implemented in various forms of hardware, firmware, or a combination of hardware and software. The actual specialized control hardware or software code used to implement these systems and/or methods is not limiting to implementing the present invention. Accordingly, the operation and behavior of systems and/or methods have been described herein without reference to specific software code, where software and hardware may be designed to implement systems and/or methods based on the descriptions herein. It is understood.
특징들의 특정 조합이 청구 범위에 기재되어 있고/있거나 명세서에 개시되어 있지만, 이들 조합은 가능한 구현의 개시를 제한하려고 의도된 것이 아니다. 실제, 이들 특징 중 다수는 구체적으로 청구범위에 기재되어 있고/있거나 명세서에 개시되어 있지 않은 방식으로 결합될 수 있다. 아래에 열거된 각각의 종속 청구항은 하나의 청구항만을 직접 종속할 수 있지만, 가능한 구현의 내용은 각각의 종속 청구항이 청구범위 내 모든 다른 청구항을 인용하는 것을 포함한다.Although specific combinations of features are recited in the claims and/or disclosed in the specification, these combinations are not intended to limit the disclosure of possible implementations. Indeed, many of these features may be combined in ways not specifically recited in the claims and/or not disclosed in the specification. Each dependent claim listed below may directly depend on only one claim, however, the content of possible implementations includes each dependent claim reciting all other claims within the claim.
본 명세서에 사용된 요소, 동작 또는 명령은 그 어느 것도 명시적으로 그러한 것으로서 설명되지 않는 한, 본 발명에 결정적이라거나 필수적인 것이라고 해석되어서는 안 된다. 또한, 본 명세서에 사용된 단수는 하나 이상 항목을 포함하는 것으로 의도되고, "하나 이상"과 상호 교환 가능하게 사용될 수 있다. 또한, 본 명세서에서 사용된 "일련의" 및 "세트"라는 용어는 하나 이상의 항목(예를 들어, 관련 항목, 비관련 항목, 및 관련 항목과 비관련 항목의 조합 등)을 포함하도록 의도되고, "하나 이상"과 상호 호환 가능하게 사용될 수 있다. 단 하나의 항목만이 의도된 경우 "하나의"라는 용어 또는 이와 유사한 언어가 사용된다. 또한, 본 명세서에 사용된 "갖는다", "갖고", "갖는" 등의 용어는 개방형 용어인 것으로 의도된다. 또한, "~에 기초하여"이라는 어구는 명시적으로 달리 언급되지 않는 한, "적어도 부분적으로 ~에 기초하여"를 의미하는 것으로 의도된다.No element, act, or instruction used herein should be construed as critical or essential to the invention unless explicitly described as such. Also, as used herein, the singular is intended to include one or more items, and may be used interchangeably with "one or more." Also, as used herein, the terms "series" and "set" are intended to include one or more items (e.g., related items, unrelated items, and combinations of related and unrelated items, etc.); "one or more" may be used interchangeably. When only one item is intended, the term "a" or similar language is used. Also, as used herein, terms such as “having”, “having”, “having”, etc. are intended to be open-ended terms. Also, the phrase “based on” is intended to mean “based at least in part on” unless explicitly stated otherwise.
Claims (20)
하나 이상의 메모리; 및
상기 하나 이상의 메모리에 통신 가능하게 결합된 하나 이상의 프로세서
를 포함하되, 상기 프로세서는,
미지의 샘플에 수행된 분광 측정의 결과를 식별하는 정보를 수신하고;
구성 가능한 파라미터에 기초하여, 정량화 모델에 대해서, 상기 정량화 모델의 단일 클래스를 판정 경계 내에 있는 제1 복수의 트레이닝 세트 샘플과 상기 판정 경계 내에 있지 않는 상기 정량화 모델의 제2 복수의 트레이닝 세트 샘플로 분할하는 상기 판정 경계를 결정하고;
상기 판정 경계에 대해 상기 미지의 샘플에 수행된 분광 측정의 거리 메트릭을 결정하고;
상기 판정 경계에 대해 상기 정량화 모델의 상기 제2 복수의 트레이닝 세트 샘플의 복수의 거리 메트릭을 결정하고;
상기 분광 측정의 거리 메트릭에 기초하여 및 상기 제2 복수의 트레이닝 세트 샘플의 상기 복수의 거리 메트릭에 기초하여 상기 미지의 샘플에 수행된 분광 측정이 상기 정량화 모델에 대응하는지 여부를 결정하고; 그리고
상기 미지의 샘플에 수행된 분광 측정이 상기 정량화 모델에 대응하는지 여부를 나타내는 정보를 제공하도록 구성된, 장치.As a device,
one or more memories; and
one or more processors communicatively coupled to the one or more memories
Including, wherein the processor,
receive information identifying a result of a spectroscopic measurement performed on the unknown sample;
Based on a configurable parameter, for a quantification model, splitting a single class of the quantification model into a first plurality of training set samples that are within a decision boundary and a second plurality of training set samples of the quantification model that are not within the decision boundary determine the decision boundary;
determine a distance metric of a spectroscopic measurement performed on the unknown sample to the decision boundary;
determine a plurality of distance metrics of the second plurality of training set samples of the quantification model with respect to the decision boundary;
determine whether a spectral measurement performed on the unknown sample corresponds to the quantification model based on a distance metric of the spectral measurement and based on the plurality of distance metrics of the second plurality of training set samples; and
and provide information indicative of whether a spectroscopic measurement performed on the unknown sample corresponds to the quantification model.
상기 분광 측정이 상기 정량화 모델에 대응하지 않는다고 결정하도록 구성되고;
상기 하나 이상의 프로세서는, 상기 미지의 샘플에 수행된 상기 분광 측정이 상기 정량화 모델에 대응하는지 여부를 나타내는 정보를 제공할 때,
상기 분광 측정이 상기 정량화 모델에 대응하지 않는 것을 나타내는 정보를 제공하도록 구성된, 장치.The method of claim 1 , wherein the one or more processors are further configured to: when determining whether a spectroscopic measurement performed on the unknown sample corresponds to the quantification model;
and determine that the spectroscopic measurement does not correspond to the quantification model;
When the one or more processors provide information indicating whether the spectroscopic measurements performed on the unknown sample correspond to the quantification model,
and provide information indicating that the spectroscopic measurement does not correspond to the quantification model.
상기 분광 측정이 상기 정량화 모델에 대응한다고 결정하도록 구성되고;
상기 하나 이상의 프로세서는, 상기 미지의 샘플에 수행된 상기 분광 측정이 상기 정량화 모델에 대응하는지 여부를 나타내는 정보를 제공할 때,
상기 분광 측정이 상기 정량화 모델에 대응하는 것을 나타내는 정보를 제공하도록 구성된, 장치.The method of claim 1 , wherein the one or more processors are further configured to: when determining whether a spectroscopic measurement performed on the unknown sample corresponds to the quantification model;
and determine that the spectroscopic measurement corresponds to the quantification model;
When the one or more processors provide information indicating whether the spectroscopic measurements performed on the unknown sample correspond to the quantification model,
and provide information indicating that the spectroscopic measurement corresponds to the quantification model.
상기 복수의 거리 메트릭에 대해 상기 거리 메트릭의 통계 메트릭을 결정하고;
상기 통계 메트릭에 기초하여 상기 미지의 샘플에 수행된 분광 측정이 상기 정량화 모델에 대응하는지 여부를 결정하도록 구성된, 장치.The method of claim 1 , wherein the one or more processors are further configured to: when determining whether a spectroscopic measurement performed on the unknown sample corresponds to the quantification model;
determine a statistical metric of the distance metric for the plurality of distance metrics;
and determine whether a spectroscopic measurement performed on the unknown sample corresponds to the quantification model based on the statistical metric.
상기 하나 이상의 프로세서는, 상기 통계 메트릭에 기초하여 상기 미지의 샘플에 수행된 분광 측정이 상기 정량화 모델에 대응하는지 여부를 결정할 때,
상기 로그-정규 표준 편차가 임계값을 만족한다고 결정하고;
상기 로그-정규 표준 편차가 상기 임계값을 만족하는 것으로 결정한 것에 기초하여 상기 미지의 샘플에 수행된 분광 측정이 상기 정량화 모델에 대응하는지 여부를 결정하도록 구성된, 장치.5. The method of claim 4, wherein the statistical metric is log-normal standard deviation;
The one or more processors are further configured to: when determining, based on the statistical metric, whether a spectroscopic measurement performed on the unknown sample corresponds to the quantification model,
determine that the log-normal standard deviation satisfies a threshold;
and determine whether a spectroscopic measurement performed on the unknown sample corresponds to the quantification model based on determining that the log-normal standard deviation satisfies the threshold.
상기 제1 복수의 트레이닝 세트 샘플 및 상기 제2 복수의 트레이닝 세트 샘플과 관련된 복수의 분광 측정값을 수신하고;
상기 복수의 분광 측정값에 기초하여 상기 정량화 모델을 결정하고;
복수의 검증 세트 샘플의 다른 복수의 분광 측정값에 기초하여 상기 정량화 모델을 검증하고;
상기 정량화 모델을 저장하도록 더 구성되고,
상기 하나 이상의 프로세서는, 상기 판정 경계를 결정할 때,
저장 매체로부터 상기 정량화 모델을 얻고;
상기 저장 매체로부터 상기 정량화 모델을 얻은 후에 상기 판정 경계를 결정하도록 구성된, 장치.The method of claim 1 , wherein the one or more processors comprises:
receive a plurality of spectral measurements associated with the first plurality of training set samples and the second plurality of training set samples;
determine the quantification model based on the plurality of spectroscopic measurements;
validate the quantification model based on another plurality of spectral measurements of a plurality of validation set samples;
further configured to store the quantification model,
The one or more processors, when determining the decision boundary,
obtaining the quantification model from a storage medium;
and determine the decision boundary after obtaining the quantification model from the storage medium.
하나 이상의 프로세서에 의해 실행될 때, 상기 하나 이상의 프로세서가,
특정 유형의 관심 대상 물질과 관련된 정량화 모델을 얻는 동작으로서, 상기 정량화 모델은 상기 특정 유형의 관심 물질의 샘플에서 특정 성분의 농도를 결정하도록 구성된, 상기 정량화 모델을 얻는 동작;
미지의 샘플에 수행된 특정 분광 측정의 결과를 식별하는 정보를 수신하는 동작;
상기 정량화 모델의 트레이닝 세트 샘플의 다른 분광 측정값을 상기 정량화 모델의 단일 클래스로 집계(aggregate)하는 동작;
상기 트레이닝 세트 샘플의 다른 분광 측정값을 제1 그룹 및 제2 그룹으로 세분화하는 동작으로서,
상기 다른 분광 측정값의 제1 그룹은 판정 경계 내에 있고;
상기 다른 분광 측정값의 제2 그룹은 상기 판정 경계 내에 있지 않은, 상기 다른 분광 측정값을 상기 제1 그룹 및 제2 그룹으로 세분화하는 동작;
상기 다른 분광 측정값의 상기 제2 그룹의 대응하는 메트릭에 대해 상기 미지의 샘플에 수행된 특정 분광 측정의 메트릭이 임계값을 만족하는 것으로 결정하는 동작; 및
상기 미지의 샘플이 상기 특정 유형의 관심 대상 물질이 아닌 것을 나타내는 정보를 제공하는 동작을 수행하게 하는 하나 이상의 명령을 포함하는, 비-일시적인 컴퓨터 판독 가능 매체.A non-transitory computer readable medium storing instructions, the instructions comprising:
When executed by one or more processors, the one or more processors:
obtaining a quantification model associated with a particular type of substance of interest, wherein the quantification model is configured to determine a concentration of a particular component in a sample of the particular type of interest;
receiving information identifying a result of a particular spectroscopic measurement performed on an unknown sample;
aggregating different spectral measurements of a training set sample of the quantification model into a single class of the quantification model;
subdividing different spectral measurements of the training set samples into a first group and a second group;
the first group of other spectral measurements are within a decision boundary;
subdividing the other spectral measurements into the first group and the second group, wherein the second group of other spectral measurements are not within the decision boundary;
determining that a metric of a particular spectroscopic measurement performed on the unknown sample for a corresponding metric of the second group of other spectral measurements satisfies a threshold; and
and one or more instructions to cause the operation of providing information indicating that the unknown sample is not the particular type of substance of interest.
상기 하나 이상의 명령은, 상기 하나 이상의 프로세서에 의해 실행될 때, 상기 하나 이상의 프로세서가,
상기 특정 유형의 관심 대상 물질과 관련된 전역 모델을 사용하여 상기 미지의 샘플의 특정 분광 측정값과 관련된 제1 결정을 수행하는 동작; 및
상기 제1 결정의 특정 결과에 기초하여 및 원-위치(in-situ) 국부 모델링 기술을 사용하여 상기 국부 모델을 생성하는 동작을 더 수행하게 하고;
상기 하나 이상의 프로세서가 상기 정량화 모델을 얻게 하는 상기 하나 이상의 명령은, 하나 이상의 프로세서가,
상기 국부 모델을 생성한 것에 기초하여 상기 정량화 모델을 얻게 하는, 비-일시적인 컴퓨터 판독 가능 매체.The method of claim 8, wherein the quantification model is a local model,
The one or more instructions, when executed by the one or more processors, cause the one or more processors to:
making a first determination relating to a particular spectral measurement of the unknown sample using a global model associated with the particular type of substance of interest; and
generate the local model based on the particular result of the first determination and using an in-situ local modeling technique;
The one or more instructions for causing the one or more processors to obtain the quantification model include:
and obtain the quantification model based on generating the local model.
미지의 샘플에 수행된 근적외선(NIR) 분광 측정의 결과를 식별하는 정보를 장치에 의해 수신하는 단계;
상기 장치에 의해 정량화 모델의 판정 경계를 결정하는 단계로서, 상기 판정 경계는 상기 정량화 모델의 단일 클래스를, 상기 판정 경계 내에 있는 상기 정량화 모델의 제1 복수의 트레이닝 세트 샘플과, 상기 판정 경계 내에 있지 않는 상기 정량화 모델의 제2 복수의 트레이닝 세트 샘플로 분할하는, 상기 판정 경계를 결정하는 단계;
상기 미지의 샘플에 수행된 상기 NIR 분광 측정의 특정 거리 메트릭이 상기 제2 복수의 트레이닝 세트 샘플의 다른 거리 메트릭에 대한 임계값을 만족하는 것으로 상기 장치에 의해 결정하는 단계; 및
상기 미지의 샘플에 수행된 상기 NIR 분광 측정의 특정 거리 메트릭이 상기 제2 복수의 트레이닝 세트 샘플의 다른 거리 메트릭에 대한 임계값을 만족하는 것으로 결정한 것에 기초하여 상기 미지의 샘플에 수행된 상기 NIR 분광 측정이 상기 정량화 모델에 대응하지 않는 것을 나타내는 정보를 상기 장치에 의해 제공하는 단계
를 포함하는 방법.As a method,
receiving, by the device, information identifying a result of a near infrared (NIR) spectroscopic measurement performed on the unknown sample;
determining, by the apparatus, a decision boundary of a quantification model, wherein the decision boundary determines a single class of the quantification model with a first plurality of training set samples of the quantification model that are within the decision boundary and are not within the decision boundary dividing the quantification model into a second plurality of training set samples, determining the decision boundary;
determining by the apparatus that a particular distance metric of the NIR spectroscopic measurement performed on the unknown sample meets a threshold for another distance metric of the second plurality of training set samples; and
The NIR spectroscopy performed on the unknown sample based on determining that a particular distance metric of the NIR spectroscopic measurement performed on the unknown sample satisfies a threshold for another distance metric of the second plurality of training set samples. providing by the device information indicating that the measurement does not correspond to the quantification model;
How to include.
분류 모델을 사용하여 획득된 상기 NIR 분광 측정값, 및 상기 미지의 샘플에 수행된 특정 거리 메트릭이 상기 제2 복수의 트레이닝 세트 샘플의 다른 거리 메트릭에 대한 상기 임계값을 만족하는 것으로 결정한 것에 기초하여 상기 미지의 샘플의 유형을 결정하는 단계; 및
상기 미지의 샘플의 유형을 식별하는 정보를 제공하는 단계
를 더 포함하는 방법.16. The method of claim 15,
Based on the NIR spectroscopic measurements obtained using a classification model, and determining that a particular distance metric performed on the unknown sample satisfies the threshold for other distance metrics of the second plurality of training set samples; determining the type of the unknown sample; and
providing information identifying the type of the unknown sample;
How to include more.
커널 함수에 기초하여 상기 판정 경계를 결정하는 단계를 더 포함하는 방법.16. The method of claim 15,
The method further comprising determining the decision boundary based on a kernel function.
방사형 기저 함수,
다항식 함수,
선형 함수, 또는
지수 함수
중 적어도 하나인, 방법.18. The method of claim 17, wherein the kernel function,
radial basis function,
polynomial function,
linear function, or
exponential function
at least one of the methods.
1개의 표준 편차,
2개의 표준 편차, 또는
3개의 표준 편차
중 적어도 하나를 초과하는, 방법.The method of claim 15, wherein the threshold is
1 standard deviation,
2 standard deviations, or
3 standard deviations
exceeding at least one of the methods.
상기 성분의 농도의 세트 중 상기 성분의 각각의 농도는 상기 제1 복수의 트레이닝 세트 샘플 및 상기 제2 복수의 트레이닝 세트 샘플의 트레이닝 세트 샘플의 임계량과 연관된, 방법.16. The method of claim 15, wherein the first plurality of training set samples and the second plurality of training set samples are associated with a set of concentrations of components;
wherein each concentration of the component in the set of concentrations of the component is associated with a threshold amount of training set samples of the first plurality of training set samples and the second plurality of training set samples.
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
KR1020220139482A KR20220149498A (en) | 2018-01-26 | 2022-10-26 | Reduced false positive identification for spectroscopic quantification |
Applications Claiming Priority (4)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US201862622641P | 2018-01-26 | 2018-01-26 | |
US62/622,641 | 2018-01-26 | ||
US16/034,901 | 2018-07-13 | ||
US16/034,901 US11009452B2 (en) | 2018-01-26 | 2018-07-13 | Reduced false positive identification for spectroscopic quantification |
Related Child Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
KR1020220139482A Division KR20220149498A (en) | 2018-01-26 | 2022-10-26 | Reduced false positive identification for spectroscopic quantification |
Publications (2)
Publication Number | Publication Date |
---|---|
KR20190091219A KR20190091219A (en) | 2019-08-05 |
KR102461384B1 true KR102461384B1 (en) | 2022-11-01 |
Family
ID=65003247
Family Applications (2)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
KR1020190009907A KR102461384B1 (en) | 2018-01-26 | 2019-01-25 | Reduced false positive identification for spectroscopic quantification |
KR1020220139482A KR20220149498A (en) | 2018-01-26 | 2022-10-26 | Reduced false positive identification for spectroscopic quantification |
Family Applications After (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
KR1020220139482A KR20220149498A (en) | 2018-01-26 | 2022-10-26 | Reduced false positive identification for spectroscopic quantification |
Country Status (8)
Country | Link |
---|---|
US (3) | US11009452B2 (en) |
EP (1) | EP3517931A1 (en) |
JP (2) | JP7242311B2 (en) |
KR (2) | KR102461384B1 (en) |
CN (2) | CN115293233A (en) |
CA (1) | CA3029739A1 (en) |
MX (2) | MX2022005667A (en) |
TW (2) | TWI784887B (en) |
Families Citing this family (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10810408B2 (en) | 2018-01-26 | 2020-10-20 | Viavi Solutions Inc. | Reduced false positive identification for spectroscopic classification |
US11656174B2 (en) | 2018-01-26 | 2023-05-23 | Viavi Solutions Inc. | Outlier detection for spectroscopic classification |
US11009452B2 (en) | 2018-01-26 | 2021-05-18 | Viavi Solutions Inc. | Reduced false positive identification for spectroscopic quantification |
JP7226230B2 (en) * | 2019-09-27 | 2023-02-21 | 豊田合成株式会社 | Thermal resistance prediction method and property inspection machine |
JP7353940B2 (en) * | 2019-11-26 | 2023-10-02 | 株式会社日立製作所 | Transferability determination device, transferability determination method, and transferability determination program |
JP7436745B2 (en) | 2021-02-26 | 2024-02-22 | 株式会社日立製作所 | Material inspection support equipment, methods and programs |
US20230038984A1 (en) * | 2021-07-30 | 2023-02-09 | Viavi Solutions Inc. | Utilizing prediction thresholds to facilitate spectroscopic classification |
WO2023126996A1 (en) * | 2021-12-27 | 2023-07-06 | 日本たばこ産業株式会社 | Method, system, and program for predicting amount of prescribed component contained in plant |
Family Cites Families (38)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
FR2566543B1 (en) | 1984-06-20 | 1988-02-26 | Commissariat Energie Atomique | HIGH COLLECTION AND CYTOFLUORIMETER OPTICAL DEVICE USING THE SAME |
JP2922110B2 (en) * | 1994-02-22 | 1999-07-19 | 株式会社エヌ・ティ・ティ・データ | Article identification system |
US7133710B2 (en) * | 2002-03-08 | 2006-11-07 | Sensys Medical, Inc. | Compact apparatus for noninvasive measurement of glucose through near-infrared spectroscopy |
US6785638B2 (en) | 2001-08-06 | 2004-08-31 | Timbre Technologies, Inc. | Method and system of dynamic learning through a regression-based library generation process |
WO2004012586A2 (en) | 2002-08-05 | 2004-02-12 | Infraredx, Inc. | Near-infrared spectroscopic analysis of blood vessel walls |
US7218395B2 (en) | 2003-04-16 | 2007-05-15 | Optopo Inc. | Rapid pharmaceutical identification and verification system |
US7514268B2 (en) * | 2003-11-24 | 2009-04-07 | The Boeing Company | Method for identifying contaminants |
WO2006056024A1 (en) | 2004-11-29 | 2006-06-01 | Scientific Analytics Systems Pty Ltd | Modelling a phenomenon that has spectral data |
WO2006135806A2 (en) | 2005-06-09 | 2006-12-21 | Chemimage Corporation | Forensic integrated search technology |
US20070148697A1 (en) * | 2005-12-27 | 2007-06-28 | Boston Scientific Scimed, Inc. | Methods and system for high throughput screening of polymer materials for medical devices |
EP1999663A2 (en) | 2006-03-10 | 2008-12-10 | Koninklijke Philips Electronics N.V. | Methods and systems for identification of dna patterns through spectral analysis |
US20110237446A1 (en) | 2006-06-09 | 2011-09-29 | Chemlmage Corporation | Detection of Pathogenic Microorganisms Using Fused Raman, SWIR and LIBS Sensor Data |
US7990532B2 (en) | 2007-01-16 | 2011-08-02 | Chemimage Corporation | Method and apparatus for multimodal detection |
EP1992939A1 (en) | 2007-05-16 | 2008-11-19 | National University of Ireland, Galway | A kernel-based method and apparatus for classifying materials or chemicals and for quantifying the properties of materials or chemicals in mixtures using spectroscopic data. |
WO2009082418A2 (en) | 2007-10-12 | 2009-07-02 | Real-Time Analyzers, Inc. | Method and apparatus for determining properties of fuels |
CN101504363A (en) * | 2009-03-18 | 2009-08-12 | 哈尔滨商业大学 | Edible fatty acid value detection method based on near-infrared spectrum analysis |
WO2011077765A1 (en) | 2009-12-25 | 2011-06-30 | 古河電気工業株式会社 | Sample identification and separation device, and sample identification and separation method |
CA2807228C (en) * | 2010-08-05 | 2016-02-16 | Abbott Point Of Care, Inc. | Method and apparatus for automated whole blood sample analyses from microscopy images |
US8859969B2 (en) * | 2012-03-27 | 2014-10-14 | Innovative Science Tools, Inc. | Optical analyzer for identification of materials using reflectance spectroscopy |
NL2009015C2 (en) | 2012-04-10 | 2013-10-15 | Biosparq B V | Method for classification of a sample on the basis of spectral data, method for creating a database and method for using this database, and corresponding computer program, data storage medium and system. |
CN103364359A (en) | 2012-04-11 | 2013-10-23 | 天士力制药集团股份有限公司 | Application of SIMCA pattern recognition method to near infrared spectrum recognition of medicinal material, rhubarb |
US20130311136A1 (en) | 2012-05-18 | 2013-11-21 | Mustard Tree Instruments, Llc | Rule-Based Sample Verification and Chemical Monitoring Methodology |
TWI749437B (en) | 2013-03-21 | 2021-12-11 | 美商唯亞威方案公司 | Method and apparatus for identifying a seafood sample and method for determining a freshness of a seafood sample |
US9477906B2 (en) | 2013-09-16 | 2016-10-25 | Biodesix, Inc. | Classification generation method using combination of mini-classifiers with regularization and uses thereof |
JP5850205B2 (en) * | 2013-11-27 | 2016-02-03 | 大日本印刷株式会社 | Medium information registration system, colony detection device, program and hygiene management system |
EP3077919A4 (en) | 2013-12-02 | 2017-05-10 | Qbase LLC | Method for disambiguating features in unstructured text |
WO2016054031A1 (en) * | 2014-10-02 | 2016-04-07 | Biodesix, Inc. | Predictive test for aggressiveness or indolence of prostate cancer from mass spectrometry of blood-based sample |
JP6547275B2 (en) | 2014-10-29 | 2019-07-24 | 株式会社リコー | INFORMATION PROCESSING SYSTEM, INFORMATION PROCESSING DEVICE, INFORMATION PROCESSING METHOD, AND PROGRAM |
US9824434B2 (en) | 2015-08-18 | 2017-11-21 | Industrial Technology Research Institute | System and method for object recognition |
EP3136270B1 (en) | 2015-08-26 | 2021-02-24 | Viavi Solutions Inc. | Raw material identification using spectroscopy |
RU2021137343A (en) | 2016-01-22 | 2022-01-26 | Отрэйсис, Инк. | SYSTEMS AND METHODS FOR IMPROVING DISEASE DIAGNOSIS |
WO2017174580A1 (en) | 2016-04-04 | 2017-10-12 | Boehringer Ingelheim Rcv Gmbh & Co Kg | Real time monitoring of product purification |
EP3258285B1 (en) | 2016-06-14 | 2020-10-21 | Bruker BioSpin GmbH | Method for predicting chemical shift values of nmr spin systems in a sample of a fluid class, in particular in a sample of a biofluid |
US10936921B2 (en) * | 2017-06-15 | 2021-03-02 | Spynsite Llc | Machine learning and/or image processing for spectral object classification |
CN107561024B (en) * | 2017-07-17 | 2020-03-17 | 核工业北京地质研究院 | Hyperspectral remote sensing identification method suitable for salt lake uranium-enriched water body |
US11656174B2 (en) | 2018-01-26 | 2023-05-23 | Viavi Solutions Inc. | Outlier detection for spectroscopic classification |
US11009452B2 (en) | 2018-01-26 | 2021-05-18 | Viavi Solutions Inc. | Reduced false positive identification for spectroscopic quantification |
US10810408B2 (en) | 2018-01-26 | 2020-10-20 | Viavi Solutions Inc. | Reduced false positive identification for spectroscopic classification |
-
2018
- 2018-07-13 US US16/034,901 patent/US11009452B2/en active Active
-
2019
- 2019-01-04 EP EP19150386.1A patent/EP3517931A1/en active Pending
- 2019-01-11 TW TW111107148A patent/TWI784887B/en active
- 2019-01-11 MX MX2022005667A patent/MX2022005667A/en unknown
- 2019-01-11 TW TW108101270A patent/TWI759577B/en active
- 2019-01-11 CA CA3029739A patent/CA3029739A1/en active Pending
- 2019-01-11 MX MX2019000496A patent/MX2019000496A/en unknown
- 2019-01-21 JP JP2019008034A patent/JP7242311B2/en active Active
- 2019-01-23 CN CN202210770629.9A patent/CN115293233A/en active Pending
- 2019-01-23 CN CN201910063878.2A patent/CN110084262B/en active Active
- 2019-01-25 KR KR1020190009907A patent/KR102461384B1/en active IP Right Grant
-
2021
- 2021-03-30 US US17/301,234 patent/US11775616B2/en active Active
-
2022
- 2022-10-26 KR KR1020220139482A patent/KR20220149498A/en active Application Filing
- 2022-12-01 JP JP2022192933A patent/JP2023041065A/en active Pending
-
2023
- 2023-08-01 US US18/363,060 patent/US20230385383A1/en active Pending
Non-Patent Citations (3)
Title |
---|
B. J. A. Mertens, Transformation, normalization and batch effect in the analysis of mass spectrometry data for omics studies, arXiv:1606.05360v1(2016)* |
Lan Sun et al., Pharmaceutical Raw Material Identification Using Miniature Near-Infrared Spectroscopy and Supervised Pattern Recognition Using Support Vector Machine, Appl. Spectrosc. Vol.70(2016)* |
R. Lascola et al., A Piecewise Local Partial Least Squares Method for the Quantitative Analysis of Plutonium Nitrate Solutions, Appl. Spectrosc. Vol.71, pp2579-2594(2017)* |
Also Published As
Publication number | Publication date |
---|---|
US20230385383A1 (en) | 2023-11-30 |
JP2019148583A (en) | 2019-09-05 |
KR20220149498A (en) | 2022-11-08 |
EP3517931A1 (en) | 2019-07-31 |
US20190234866A1 (en) | 2019-08-01 |
CN115293233A (en) | 2022-11-04 |
JP7242311B2 (en) | 2023-03-20 |
US11009452B2 (en) | 2021-05-18 |
MX2019000496A (en) | 2019-07-29 |
KR20190091219A (en) | 2019-08-05 |
US20210215597A1 (en) | 2021-07-15 |
TW201935316A (en) | 2019-09-01 |
CA3029739A1 (en) | 2019-07-26 |
TWI784887B (en) | 2022-11-21 |
US11775616B2 (en) | 2023-10-03 |
MX2022005667A (en) | 2022-06-16 |
TW202223750A (en) | 2022-06-16 |
CN110084262A (en) | 2019-08-02 |
JP2023041065A (en) | 2023-03-23 |
TWI759577B (en) | 2022-04-01 |
CN110084262B (en) | 2022-07-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
KR102461384B1 (en) | Reduced false positive identification for spectroscopic quantification | |
JP7238056B2 (en) | Discrimination for Spectroscopic Classification with Reduced False Positives | |
JP7132772B2 (en) | Identification using spectroscopy | |
US11656174B2 (en) | Outlier detection for spectroscopic classification | |
EP4033419A1 (en) | Outlier detection for spectroscopic classification | |
JP7539511B2 (en) | Discrimination for spectroscopic classification with reduced false positives |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
E902 | Notification of reason for refusal | ||
E701 | Decision to grant or registration of patent right | ||
A107 | Divisional application of patent | ||
GRNT | Written decision to grant |